使用 PDFBox 阅读文本

PDFBox 是一个用于处理 PDF 文档的 Java 库。它提供了从 PDF 文档中提取文本、图像、元数据以及其他相关信息的 API。

安装

你可以使用 Maven 从中央仓库获取 PDFBox：

<dependency>
    <groupId>org.apache.pdfbox</groupId>
    <artifactId>pdfbox</artifactId>
    <version>2.0.22</version>
</dependency>

你还可以下载 JAR 包并手动添加它们到类路径中。

阅读文本

PDFBox 的 PDFTextStripper 类可用于从 PDF 文档中提取文本。该类提供了多种方法，以便您可以提取您需要的文本。

下面的示例演示了如何使用 PDFTextStripper 类从一个 PDF 文档中提取文本：

import java.io.File;
import java.io.IOException;
import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.text.PDFTextStripper;

public class PdfReader {
    public static void main(String[] args) throws IOException {
        try (PDDocument document = PDDocument.load(new File("input.pdf"))) {
            PDFTextStripper stripper = new PDFTextStripper();
            String text = stripper.getText(document);
            System.out.println(text);
        }
    }
}

执行此代码将打印 PDF 文档中的所有文本。

PDFTextStripper 中的其他方法可用于提取特定页面范围内的文本、控制提取文本的格式以及自定义提取过程。

总结

PDFBox 是 Java 中使用的解析 PDF 文档的最常用库之一。通过使用 PDFTextStripper 类，您可以轻松地从 PDF 文档中提取文本。如果您需要处理 PDF 文档，那么值得一试。