Java处理PDF就靠它！Apache PDFBox：开源免费的PDF全能王

关注我的公众号：【编程朝花夕拾】，可获取首发内容。

01 引言

在日常开发中，我们可能会遇到PDF的处理，如PDF的内容提取、分割、合并等操作。你们都是用什么工具操作的呢？

今天介绍一款Apache出品的工具PDFBox，作为Apache基金会开源项目，它以轻量级、高扩展性著称，完美解决PDF的解析、生成与操作难题。

官网地址：pdfbox.apache.org/

02 核心功能一览

Apache PDFBox库是用于处理PDF文档的开源 Java 工具。此项目允许创建新的 PDF 文档、作现有文档以及从文档中提取内容的能力。Apache PDFBox 还包括几个命令行实用程序。Apache PDFBox 在 Apache 许可证 v2.0 下发布。

主要有8个功能：

从PDF文件提取中文本
PDF的合并和分割
从PDF表单中提取数据，或填充PDF表单
验证PDF否符合PDF/A-1b标准
使用标准的Java打印API打印PDF文件
将PDF文件另存为图像格式
从零开始创建PDF文件，包括嵌入字体和图像
对PDF文件进行数字签名

03 功能展示

Apache PDFBox 主要提供了8个功能，通过演示几个常用的功能，了解一下Apache PDFBox的魅力。

展示的版本为当期那最新版本3.0.5：

xml 复制代码

<dependency>
    <groupId>org.apache.pdfbox</groupId>
    <artifactId>pdfbox</artifactId>
    <version>3.0.5</version>
</dependency>

3.1 文本提取

文本提取的关键类：org.apache.pdfbox.text.PDFTextStripper

java 复制代码

 @Test
void test01() throws IOException {
    try (PDDocument pdDocument = Loader.loadPDF(ResourceUtils.getFile("classpath:pdf/wyc-fp.pdf"))){
        PDFTextStripper textStripper = new PDFTextStripper();
        String text = textStripper.getText(pdDocument);
        System.out.println(text);
    }
}

因为PDDocument使用完毕之后需要关闭资源，类似JDK中的流。这里使用try-with-resources自动关闭资源。案例提取了一张网约车发票的信息。

结果展示

3.2 PDF合并

PDF合并的关键类是：org.apache.pdfbox.multipdf.PDFMergerUtility

java 复制代码

@Test
void test02() throws IOException {
    PDFMergerUtility pdfMerger = new PDFMergerUtility();
    pdfMerger.addSource(ResourceUtils.getFile("classpath:pdf/wyc-fp.pdf"));
    pdfMerger.addSource(ResourceUtils.getFile("classpath:pdf/wyc-fp2.pdf"));

    // 设置合并后的pdf名称
     pdfMerger.setDestinationFileName("merge-fp.pdf");
//        pdfMerger.setDestinationStream(new FileOutputStream(file));

    pdfMerger.mergeDocuments(MemoryUsageSetting.setupMainMemoryOnly().streamCache);
    System.out.println("PDF文件合并完成");
}

通过addSource()方法，添加要合并的PDF资源。然后设置合并后的PDF名称，也可以通过setDestinationStream()指定合并的PDF保存的位置。

执行结果

默认保存在项目的根路径下面:

3.3 提取图像

提取PDF中图像的关键类：org.apache.pdfbox.pdmodel.graphics.image.PDImageXObject

java 复制代码

@Test
void test03() throws Exception {
    try (PDDocument pdDocument = Loader.loadPDF(ResourceUtils.getFile("classpath:pdf/wyc-fp.pdf"));) {
        // 获取第一页：因为只有一页
        PDPage page = pdDocument.getPage(0);

        PDResources resources = page.getResources();
        Iterable<COSName> xObjectNames = resources.getXObjectNames();
        for (COSName xObjectName : xObjectNames) {
            // 判断是否包含图片对象
            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()) {
                    // 将图片写入输出流里面
                    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 Image path: " + imageFilePath);
                    }
                }
            }
        }
    }
}

通过resources.getXObject(xObjectName)获取图像资源，通过ImageIO.write()写到输出流里面

执行结果

可以看出打印和输出的图片名称和图片。提取出了那些图片呢？

这里为了方便截图，将三张图展示在了一起。

3.4 增加签章

增加签章的关键类：org.apache.pdfbox.pdmodel.PDPageContentStream

java 复制代码

@Test
void test04() throws Exception {
    PDDocument pdDocument = Loader.loadPDF(ResourceUtils.getFile("classpath:pdf/wyc-fp.pdf"));
    PDImageXObject pdImage = PDImageXObject.createFromFile("src/main/resources/pdf/apache-logo.jpg", pdDocument);
    // 设置logo的宽度和高度
    float imageWidth = 100;
    float imageHeight = 100;

    if (pdDocument != null) {
        PDPage page = pdDocument.getPage(pdDocument.getNumberOfPages() - 1);
        float pageWidth = page.getMediaBox().getWidth();;

        // 计算logo位置：页面右下角
        float x = pageWidth - imageWidth - 20; // 右边距20
        float y = 20; // 下边距20

        // 为最后一页创建一个新的内容流以添加logo
        try (PDPageContentStream contentStream = new PDPageContentStream(pdDocument, page,
                PDPageContentStream.AppendMode.APPEND, true, true)) {
            // 绘制logo图片
            contentStream.drawImage(pdImage, x, y, imageWidth, imageHeight);
        }
        pdDocument.save("logo_" + System.currentTimeMillis() + ".pdf"); // 保存修改后的PDF
    }
}

这里的签章用的是Apache的logo。将签章放在右下角。

执行结果

04 避坑指南

4.1 内存泄露的风险

用完必须关闭文档对象。推荐Try-with-resources：

java 复制代码

try (PDDocument pdDocument = Loader.loadPDF(file)){
     // ***  
}

4.2 版本差异

2.0.x与3.0存在API部分不兼容，如：

java 复制代码

// 2.0.x 加载文件
PDDocument.load(file)
    
// 3.0 加载文件
Loader.loadPDF(file)

4.3 JDK版本要求差异

2.0.x与3.0对JDK版本最低要求不一样

sh 复制代码

# 2.0.x 最低要求：JDK1.6

# 3.0 最低要求：JDK1.8

05 小结

Apache PDFBox以其简洁的API设计和强大的底层能力，成为Java开发者处理PDF的首选利器。无论是自动化报表生成还是文档分析系统，它都能提供可靠支持。结合本文的代码示例与避坑指南，可快速构建稳健的PDF处理流程。

本文只是简单的介绍了其部分功能，里面还有很多深藏的功能，等待你去挖掘！