使用 Apache PDFBox 提取 PDF 中的文本和图像

在许多应用中,我们需要从 PDF 文件中提取文本内容和嵌入的图像。为了实现这一目标,Apache PDFBox 是一个非常实用的开源工具库。它提供了丰富的 API,可以帮助我们轻松地读取 PDF 文件、提取其中的文本、图像以及其他资源。

本文将介绍如何使用 Apache PDFBox 来提取 PDF 文件中的文本和图像,并将图像保存为文件。通过实际代码示例,您将学会如何高效地处理 PDF 文件中的内容。

1. Apache PDFBox 简介

Apache PDFBox 是一个用于创建、操作和提取 PDF 内容的 Java 库。它提供了一些重要的功能,包括:

  • 提取 PDF 文件中的文本内容。
  • 提取 PDF 文件中的图像。
  • 创建和修改 PDF 文档。
  • 操作 PDF 表单、数字签名等。

PDFBox 是完全开源的,适用于 Java 开发者,用于处理 PDF 文档中的各种数据。

2. 目标

在本文中,我们的目标是使用 PDFBox 从 PDF 文件中提取:

  • 文本内容:每一页的文本信息。
  • 图像:嵌入到 PDF 中的图像并保存为文件。

3. 示例代码

以下是使用 Apache PDFBox 提取 PDF 中文本和图像的完整代码示例:

java 复制代码
import org.apache.pdfbox.cos.COSName;
import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.pdmodel.PDPage;
import org.apache.pdfbox.pdmodel.PDResources;
import org.apache.pdfbox.pdmodel.graphics.image.PDImageXObject;
import org.apache.pdfbox.text.PDFTextStripper;

import javax.imageio.ImageIO;
import java.awt.image.BufferedImage;
import java.io.ByteArrayOutputStream;
import java.io.File;
import java.io.FileOutputStream;

public class PdfboxTest {

    // 提取PDF中的文本和图像
    private static void readTextAndImage(String filePath) {
        try (PDDocument document = PDDocument.load(new File(filePath))) {
            // 获取PDF文档的页数
            int numberOfPages = document.getNumberOfPages();

            // 遍历每一页提取文本和图像
            for (int i = 0; i < numberOfPages; i++) {
                PDPage page = document.getPage(i);

                // 提取页面文本
                PDFTextStripper textStripper = new PDFTextStripper();
                textStripper.setStartPage(i + 1);
                textStripper.setEndPage(i + 1);
                String pageText = textStripper.getText(document);
                System.out.println("Page " + (i + 1) + " Content: \n" + pageText + "\n");

                // 提取图像资源
                PDResources resources = page.getResources();
                for (COSName xObjectName : resources.getXObjectNames()) {
                    if (resources.isImageXObject(xObjectName)) {
                        PDImageXObject imageObject = (PDImageXObject) resources.getXObject(xObjectName);
                        BufferedImage bImage = imageObject.getImage();

                        // 将图像保存为 PNG 格式
                        try (ByteArrayOutputStream baos = new ByteArrayOutputStream()) {
                            ImageIO.write(bImage, "png", baos);
                            byte[] imageBytes = baos.toByteArray();
                            String imageFilePath = "image_" + System.currentTimeMillis() + ".png";
                            try (FileOutputStream fos = new FileOutputStream(imageFilePath)) {
                                fos.write(imageBytes);
                                System.out.println("Page " + (i + 1) + " Image saved: " + imageFilePath);
                            }
                        }
                    }
                }
            }
        } catch (Exception e) {
            e.printStackTrace();
        }
    }

    public static void main(String[] args) {
        // 输入PDF文件路径
        String filePath = "/path/to/your/pdf-file.pdf"; // 请替换为实际的 PDF 文件路径
        readTextAndImage(filePath);
    }
}

4. 代码分析

1. 加载 PDF 文件

我们通过 PDDocument.load() 方法加载 PDF 文件。该方法会返回一个 PDDocument 对象,表示整个 PDF 文档。

java 复制代码
try (PDDocument document = PDDocument.load(new File(filePath))) {
    int numberOfPages = document.getNumberOfPages();

2. 提取文本内容

PDFTextStripper 类是用于从 PDF 中提取文本的工具。我们通过设置 startPage 和 endPage 来指定提取特定页面的文本。getText() 方法将返回当前页面的文本内容。

java 复制代码
PDFTextStripper textStripper = new PDFTextStripper();
textStripper.setStartPage(i + 1);
textStripper.setEndPage(i + 1);
String pageText = textStripper.getText(document);

3. 提取图像

为了提取 PDF 页面中的图像,我们使用 PDPage.getResources() 获取该页面的资源对象。资源对象包含页面的所有资源,包括图像。然后我们通过 resources.getXObject() 方法获取图像对象,并使用 PDImageXObject.getImage() 获取 BufferedImage,最后将图像保存为字节数组。

java 复制代码
PDResources resources = page.getResources();
for (COSName xObjectName : resources.getXObjectNames()) {
    if (resources.isImageXObject(xObjectName)) {
        PDImageXObject imageObject = (PDImageXObject) resources.getXObject(xObjectName);
        BufferedImage bImage = imageObject.getImage();

然后,我们将图像保存为 PNG 格式的文件:

java 复制代码
try (ByteArrayOutputStream baos = new ByteArrayOutputStream()) {
    ImageIO.write(bImage, "png", baos);
    byte[] imageBytes = baos.toByteArray();
    String imageFilePath = "image_" + System.currentTimeMillis() + ".png";
    try (FileOutputStream fos = new FileOutputStream(imageFilePath)) {
        fos.write(imageBytes);
        System.out.println("Page " + (i + 1) + " Image saved: " + imageFilePath);
    }
}

5. 总结

通过 Apache PDFBox,我们可以轻松地从 PDF 文档中提取文本和图像。上面的示例代码展示了如何遍历 PDF 文件的每一页,提取其中的文本内容,并且提取页面中所有的图像资源并保存为文件。这种方法对于处理 PDF 报告、提取嵌入图像或处理表单数据非常有用。

希望本文的示例能够帮助你更好地使用 PDFBox 处理 PDF 文件。如果你有更多问题或需求,欢迎与我们讨论!

相关推荐
果果软件5 小时前
2026 后台管理系统选型:若依、JeecgBoot、芋道、NocoBase 和 GewuMind Boot 怎么选?
java·人工智能·后端·ai·开源
小虎AI生活5 小时前
workbuddy可以操控电脑!真的太省心了,AI博主利器啊
aigc·ai编程
IT规划师8 小时前
AI 时代企业软件创业——架构师视角下的切口、边界与决策框架
ai编程
码云社区8 小时前
Java家政服务系统源码:人员技能、服务范围与多商家业务落地
java·开发语言·家政服务·家政小程序·家政系统
郑世录9 小时前
16GB 显卡给本地大模型装一个"记得住"的脑子:8 个坑和 92.1% 的评测基线
ai编程
摇滚侠9 小时前
《On Java 中文版 基础卷》阅读笔记 接口 18
java·笔记·python
CoderYanger9 小时前
Java EE 进阶:9.MyBatis 操作数据库(进阶)(第八弹):MyBatis Generator
java·数据库·spring boot·spring·java-ee·tomcat·mybatis
jaysee-sjc12 小时前
【黑马点评】Day02:优惠券秒杀与分布式锁
java·分布式·nginx·spring·node.js·tomcat·maven
GoldenSpider.AI13 小时前
讲透 Claude Code 的 Code Mode:原理、流程、用法与 24 轮实测
人工智能·ai编程·claude code
秋天的怀念_David13 小时前
算法一千零一夜 · 第三十五夜 · 恢复风暴
java·程序人生·算法