PDFBox - 读取文本

在上一章中，我们了解了如何将文本添加到现有 PDF 文档。在本章中，我们将讨论如何从现有 PDF 文档中读取文本。

从现有 PDF 文档中提取文本

提取文本是 PDF 框库的主要功能之一。您可以使用 PDFTextStripper 类的 getText() 方法提取文本。此类从给定的 PDF 文档中提取所有文本。

以下是从现有 PDF 文档中提取文本的步骤。

步骤 1:加载现有 PDF 文档

使用 PDDocument 类的静态方法 load() 加载现有 PDF 文档。此方法接受文件对象作为参数，因为这是一个静态方法，您可以使用类名调用它，如下所示。

File file = new File("path of the document")
PDDocument document = PDDocument.load(file);

步骤 2:实例化 PDFTextStripper 类

PDFTextStripper 类提供从 PDF 文档中检索文本的方法，因此，请按如下所示实例化此类。

PDFTextStripper pdfStripper = new PDFTextStripper();

步骤 3:检索文本

您可以使用 PDFTextStripper 类的 getText() 方法从 PDF 文档中读取/检索页面的内容。您需要将文档对象作为参数传递给此方法。此方法检索给定文档中的文本并以 String 对象的形式返回它。

String text = pdfStripper.getText(document);

步骤 4:关闭文档

最后，使用 PDDocument 类的 close() 方法关闭文档，如下所示。

document.close();

示例

假设我们有一个 PDF 文档，其中包含一些文本，如下所示。

此示例演示如何从上述 PDF 文档中读取文本。在这里，我们将创建一个 Java 程序并加载一个名为 new.pdf 的 PDF 文档，该文档保存在路径 C:/PdfBox_Examples/ 中。将此代码保存在名为 ReadingText.java 的文件中。

import java.io.File;
import java.io.IOException;

import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.text.PDFTextStripper;
public class ReadingText {

   public static void main(String args[]) throws IOException {

        //加载现有文档
        File file = new File("C:/PdfBox_Examples/new.pdf");
        PDDocument document = PDDocument.load(file);
        
        //实例化 PDFTextStripper 类
        PDFTextStripper pdfStripper = new PDFTextStripper();
        
        //从 PDF 文档中检索文本
        String text = pdfStripper.getText(document);
        System.out.println(text);
        
        //关闭文档
        document.close();

   }
}

使用以下命令从命令提示符编译并执行已保存的 Java 文件。

javac ReadingText.java
java ReadingText

执行后，上述程序从给定的 PDF 文档中检索文本并显示它，如下所示。

This is an example of adding text to a page in the pdf document. we can add as many lines
as we want like this using the ShowText() method of the ContentStream class.