读取实验室原始记录单PDF内容

一.工具选取

1. Apache PDFBox

简介：

Apache PDFBox 是一个开源的纯 Java PDF 库，支持创建、渲染、打印、分割、合并和提取 PDF 内容。

优点：

开源免费（Apache 2.0 许可）
功能全面：支持文本提取、图像提取、PDF创建、加密/解密、表单处理等
纯 Java 实现，无需依赖本地库
社区活跃，文档较完善
支持 PDF/A 标准

缺点：

性能一般，尤其处理大文件时较慢
对复杂排版（如多栏、表格）的文本提取效果一般，可能乱序
内存占用较高

示例代码（文本提取）：

Java 复制代码

PDDocument document = PDDocument.load(new File("example.pdf"));
PDFTextStripper stripper = new PDFTextStripper();
String text = stripper.getText(document);
document.close();

2. iText

简介：

iText 是一个功能强大的商业级 PDF 库，有开源版（AGPL）和商业授权版。

优点：

功能极其强大：支持高级 PDF 操作（数字签名、水印、表单、加密等）
性能较好
提供对 PDF 结构的精细控制

缺点：

开源版本为 AGPL，若用于闭源商业项目需购买商业许可证
文本提取功能相对较弱（早期版本），虽然后续版本有所改进
学习曲线较陡
示例（文本提取，需使用 iText 7 的 pdfSweep 或 pdfCalligraph 模块）：
Java
编辑
PdfDocument pdfDoc = new PdfDocument(new PdfReader("example.pdf"));
String text = PdfTextExtractor.getTextFromPage(pdfDoc.getPage(1));
pdfDoc.close();
注意：iText 5 的文本提取能力有限，推荐使用 iText 7 + 附加模块。

3. PDF Clown

简介：

PDF Clown 是一个开源（LGPL）的 Java PDF 库，支持读写 PDF。

优点：

开源免费（LGPL）
支持文本、图像、字体、元数据提取
架构清晰，面向对象设计良好

缺点：

更新缓慢，最新稳定版停留在 2016 年左右
社区小，文档较少
性能和稳定性不如 PDFBox 或 iText
适用场景：小型项目、学习研究

4. Tess4J + OCR（针对扫描版PDF）

说明：

如果 PDF 是扫描件（图像型），上述工具无法直接提取文本，需结合 OCR（光学字符识别）。

方案：

使用 Apache PDFBox 或其他库将 PDF 转为图像
调用 Tess4J（Java 封装 Tesseract OCR）识别文字

优点：

可处理扫描 PDF
Tesseract 开源免费

缺点：

依赖本地安装 Tesseract
识别准确率受图像质量影响大
处理速度慢

5. pdftotext（通过 Poppler）

简介：

pdftotext 是 Poppler 项目提供的一个命令行工具，用于从 PDF 中提取文本。Poppler 是一个 C++ 编写的开源 PDF 渲染库，广泛用于 Linux 系统（如 Ubuntu、CentOS）和 macOS。

虽然 pdftotext 本身不是 Java 库，但 Java 程序可以通过 Runtime.exec() 或 ProcessBuilder 调用该命令行工具，从而实现 PDF 文本提取。

优点：

文本提取准确率高：尤其对复杂布局、多栏、表格等排版，通常优于 PDFBox
速度快：C++ 实现，性能优异，适合批量处理
开源免费（GPL 许可）
保留原始布局（可通过 -layout 参数）
支持加密 PDF（如果未设权限限制）

缺点：

非纯 Java 方案：需在目标系统预装 Poppler（Linux/macOS 原生支持较好，Windows 需手动安装）
跨平台部署复杂：需确保每台服务器都安装了 pdftotext
无法直接操作 PDF 对象（如元数据、图像、表单等）
错误处理和日志较难集成到 Java 应用中
GPL 许可：若将 pdftotext 作为程序一部分分发，可能触发 GPL 传染性（但仅调用命令行通常不构成衍生作品，法律上存在争议，建议咨询法务）

Java 调用示例：

JAVA 复制代码

public String extractTextWithPdftotext(String pdfPath) throws IOException {
    ProcessBuilder pb = new ProcessBuilder("pdftotext", "-layout", "-enc", "UTF-8", pdfPath, "-");
    Process process = pb.start();
    try (BufferedReader reader = new BufferedReader(
            new InputStreamReader(process.getInputStream(), StandardCharsets.UTF_8))) {
        return reader.lines().collect(Collectors.joining("\n"));
    }
}

参数说明：

-layout：尽量保留原始文本布局

-enc UTF-8：指定输出编码

-：表示输出到 stdout

对比总结表：

工具	开源许可	文本提取能力	性能	易用性	商业友好	适合场景
PDFBox	Apache 2.0	★★★★☆	★★☆	★★★★	✅	通用文本提取、开源项目
iText	AGPL / 商业授权	★★★☆☆（需额外模块）	★★★★	★★★	❌（闭源需购买授权）	高级PDF操作、商业应用
PDF Clown	LGPL	★★★☆☆	★★	★★★	✅（注意LGPL条款）	小型项目、教学研究
Tess4J + OCR	Apache 2.0	★★★★（仅适用于图像型PDF）	★☆	★★	✅	扫描版PDF、图像转文本
pdftotext (Poppler)	GPL	★★★★★（布局保留好，准确率高）	★★★★★	★★☆	⚠️（GPL传染性，需评估合规）	高精度文本提取、服务端批量处理

推荐选择：

普通文本PDF提取（开源项目） → Apache PDFBox
需要高级PDF功能（如签名、表单）且可付费 → iText（商业版）
处理扫描PDF → PDFBox + Tess4J
轻量级或学习用途 → PDF Clown（谨慎使用，因维护停滞）
如果你追求高精度文本提取（尤其是学术论文、财报、多栏文档） → 优先考虑 pdftotext，前提是部署环境可控（如 Linux 服务器）。
避免在无法控制部署环境的 SaaS 或客户端应用中使用 pdftotext，因其依赖外部二进制文件。

本人测试过如果是实验室仪器到处的PDF文件使用PDFBox识别内容会出现错乱现象无法准确识别，并且有数据丢失现象，使用付费的OCR识别接口不会出现数据错乱但是识别错误比较明显，最终采用了pdftotext (Poppler)识别方法，准确度高，格式保留较好。

二.安装pdftotext

Linux 系统（Ubuntu / CentOS / Debian 等）

1. 安装 Poppler（含 pdftotext）

Ubuntu / Debian：

Bash 复制代码

sudo apt update
sudo apt install poppler-utils

CentOS / RHEL / Fedora：

Bash 复制代码

# CentOS 7/8 或 RHEL（需启用 EPEL）
sudo yum install epel-release
sudo yum install poppler-utils

# 或 Fedora
sudo dnf install poppler-utils

2. 验证安装

Bash 复制代码

pdftotext -v

输出类似：

Text 复制代码

pdftotext version 22.08.0
Copyright 2005-2022 The Poppler Developers - http://poppler.freedesktop.org

如果安装版本过于老旧如：poppler-utils-0.26.5-24.el7.x86_64 ,我们可以卸载之后下载源码手动安装

安装最新版本

2.1 删除旧版本

bbash 复制代码

# 查看已安装的 poppler 相关包
rpm -qa | grep poppler

# 卸载 poppler-utils 及依赖（谨慎：可能影响其他软件）
sudo yum remove poppler-utils poppler-glib poppler-qt4 poppler-qt5

#更新动态链接库缓存
sudo ldconfig

2.2 下载最新源码

前往 https://poppler.freedesktop.org/ 获取最新版（如 poppler-23.08.0.tar.xz）

bash 复制代码

cd /home
wget https://poppler.freedesktop.org/poppler-23.08.0.tar.xz
tar -xf poppler-25.10.0.tar.xz
cd poppler-25.10.0

2.3 配置编译选项（使用 CMake）

2.3.1 安装CMake

bash 复制代码

# 1. 卸载旧版 cmake（可选，避免混淆）
sudo yum remove cmake

# 2. 下载 CMake 3.28.3（或最新 LTS 版）Linux x86_64 二进制包
cd /tmp
wget https://github.com/Kitware/CMake/releases/download/v3.28.3/cmake-3.28.3-linux-x86_64.tar.gz

# 3. 解压到 /opt
sudo tar -zxvf cmake-3.28.3-linux-x86_64.tar.gz -C /opt

#4.将 CMake 目录加入 PATH
echo 'export PATH="/opt/cmake-3.28.3-linux-x86_64/bin:$PATH"' >> ~/.bashrc
source ~/.bashrc

#验证
cmake --version

安装脚本

bash 复制代码

#!/bin/bash

# CentOS 7 安装 Poppler 23.08.0 脚本
# 作者：AI助手
# 功能：修复 EOL 仓库问题 + 安装 devtoolset-7 + 编译 Poppler 23.08.0

set -e  # 遇到错误立即退出

echo "=== CentOS 7 Poppler 23.08.0 安装脚本 ==="

# 1. 清理所有 SCL 相关仓库（解决重复定义问题）
echo "1. 清理 SCL 仓库配置..."
sudo rm -f /etc/yum.repos.d/*sclo*
sudo rm -f /etc/yum.repos.d/*scl*

# 2. 创建 Vault 源（主仓库）
echo "2. 配置 CentOS Vault 源..."
cat > /etc/yum.repos.d/CentOS-Base.repo <<'EOF'
[base]
name=CentOS-$releasever - Base
baseurl=https://vault.centos.org/7.9.2009/os/$basearch/
gpgcheck=1
gpgkey=https://vault.centos.org/7.9.2009/os/x86_64/RPM-GPG-KEY-CentOS-7
enabled=1

[updates]
name=CentOS-$releasever - Updates
baseurl=https://vault.centos.org/7.9.2009/updates/$basearch/
gpgcheck=1
gpgkey=https://vault.centos.org/7.9.2009/updates/x86_64/RPM-GPG-KEY-CentOS-7
enabled=1

[extras]
name=CentOS-$releasever - Extras
baseurl=https://vault.centos.org/7.9.2009/extras/$basearch/
gpgcheck=1
gpgkey=https://vault.centos.org/7.9.2009/extras/x86_64/RPM-GPG-KEY-CentOS-7
enabled=1
EOF

# 3. 创建 SCL 仓库（仅 rh，不含 sclo）
cat > /etc/yum.repos.d/CentOS-SCL.repo <<'EOF'
[centos-sclo-rh]
name=CentOS-7 - SCLo rh
baseurl=https://vault.centos.org/7.9.2009/sclo/$basearch/rh/
enabled=1
gpgcheck=0
EOF

# 4. 清理 yum 缓存
echo "3. 清理 yum 缓存..."
sudo yum clean all
sudo rm -rf /var/cache/yum

# 5. 测试 yum 是否正常
echo "4. 测试 yum 配置..."
sudo yum makecache

# 6. 安装编译依赖
echo "5. 安装编译依赖..."
sudo yum install -y \
    gcc gcc-c++ make cmake \
    libjpeg-devel libpng-devel libtiff-devel \
    freetype-devel fontconfig-devel cairo-devel \
    glib2-devel openjpeg2-devel boost-devel \
    zlib-devel

# 7. 安装 devtoolset-7（GCC 7.3.1，支持 C++17）
echo "6. 安装 devtoolset-7..."
sudo yum install -y devtoolset-7-gcc-c++

# 8. 下载并编译 Freetype 2.13.2（Poppler 23.08 要求 ≥2.11）
echo "7. 编译安装 Freetype 2.13.2..."
cd /tmp
wget https://download.savannah.gnu.org/releases/freetype/freetype-2.13.2.tar.xz
tar -xf freetype-2.13.2.tar.xz
cd freetype-2.13.2
./configure --prefix=/usr/local --enable-freetype-config
make -j$(nproc)
sudo make install
export PKG_CONFIG_PATH="/usr/local/lib/pkgconfig:$PKG_CONFIG_PATH"

# 9. 下载 Poppler 23.08.0
echo "8. 下载 Poppler 23.08.0..."
cd /tmp
if [ ! -d "poppler-23.08.0" ]; then
    wget https://poppler.freedesktop.org/poppler-23.08.0.tar.xz
    tar -xf poppler-23.08.0.tar.xz
fi

# 10. 编译 Poppler（在 devtoolset-7 环境下）
echo "9. 编译 Poppler 23.08.0..."
cd poppler-23.08.0

# 启用 devtoolset-7 并编译
scl enable devtoolset-7 bash << 'EOF_INNER'
cd /tmp/poppler-23.08.0
rm -rf build
mkdir build && cd build

cmake .. \
    -DCMAKE_BUILD_TYPE=Release \
    -DCMAKE_INSTALL_PREFIX=/usr/local \
    -DENABLE_UNSTABLE_API_ABI_HEADERS=ON \
    -DENABLE_QT5=OFF \
    -DENABLE_QT6=OFF \
    -DENABLE_GLIB=ON \
    -DENABLE_CPP=ON \
    -DENABLE_LIBOPENJPEG=openjpeg2 \
    -DENABLE_NSS3=OFF \
    -DENABLE_GPGME=OFF \
    -DENABLE_LIBTIFF=OFF \
    -DENABLE_BOOST=OFF

make -j$(nproc)
sudo make install
EOF_INNER

# 11. 更新动态库缓存
echo "10. 更新动态库缓存..."
sudo ldconfig

# 12. 验证安装
echo "11. 验证安装..."
/usr/local/bin/pdftotext -v

echo "=== 安装完成！ ==="
echo "pdftotext 已安装到 /usr/local/bin/pdftotext"
echo "版本信息如上所示"
echo "如需在脚本中使用，请确保 PATH 包含 /usr/local/bin"

3. 基本使用

Bash 复制代码

# 提取文本到 stdout（终端直接显示）
pdftotext -layout -enc UTF-8 example.pdf -

# 提取到文件
pdftotext -layout example.pdf output.txt

常用参数：

-layout：尽量保留原始布局（多栏、表格对齐更准确）
-enc UTF-8：指定输出编码（避免中文乱码）
-：表示输出到标准输出（stdout）

Windows 系统

⚠️ Windows 官方不提供 Poppler，需使用第三方编译版本。

1. 下载 Poppler for Windows

推荐使用社区维护的预编译版本：

🔗 官方 GitHub 发布页（推荐）：

https://github.com/oschwartz10612/poppler-windows/releases

👉 下载最新版 .zip 文件（如 poppler-xx.xx.x_x64.7z 或 .zip）

2. 安装步骤

解压下载的压缩包（例如到 C:\poppler）
进入 bin 目录，确认存在 pdftotext.exe
将 C:\poppler\bin 添加到系统环境变量 PATH 中：
- 右键"此电脑" → "属性" → "高级系统设置" → "环境变量"
- 在"系统变量"中找到 Path，点击"编辑"
- 新增一行：C:\poppler\bin（根据你的实际路径修改）
重启命令提示符（CMD）或 PowerShell

3. 验证安装

打开 CMD 或 PowerShell，运行：

Cmd 复制代码

pdftotext -v

应显示版本信息。

4. 基本使用（CMD / PowerShell）

Cmd 复制代码

:: 输出到控制台（注意末尾的 "-"）
pdftotext -layout -enc UTF-8 example.pdf -

:: 输出到文件
pdftotext -layout example.pdf output.txt

💡 提示：Windows 默认编码为 GBK，若 PDF 含中文，建议始终加上 -enc UTF-8 并用支持 UTF-8 的编辑器（如 VS Code）查看输出。

三、工具类

Java 复制代码

import java.io.*;
import java.nio.charset.StandardCharsets;
import java.util.ArrayList;
import java.util.List;
import java.util.concurrent.TimeUnit;

/**
 * 使用系统 pdftotext 命令提取 PDF 文本内容的工具类
 * 需要系统已安装 Poppler（包含 pdftotext）
 */
public class PdfToTextUtil {

    /**
     * 从 PDF 文件中提取文本（保留布局）
     *
     * @param pdfFile PDF 文件路径
     * @return 提取的文本内容（UTF-8 字符串）
     * @throws IOException 当 PDF 文件不存在、pdftotext 未安装或执行失败时抛出
     */
    public static String extractText(String pdfFile) throws IOException {
        return extractText(new File(pdfFile));
    }

    /**
     * 从 PDF 文件中提取文本（保留布局）
     *
     * @param pdfFile PDF 文件对象
     * @return 提取的文本内容（UTF-8 字符串）
     * @throws IOException 当 PDF 文件不存在、pdftotext 未安装或执行失败时抛出
     */
    public static String extractText(File pdfFile) throws IOException {
        if (!pdfFile.exists() || !pdfFile.isFile()) {
            throw new FileNotFoundException("PDF file not found: " + pdfFile.getAbsolutePath());
        }

        // 获取 pdftotext 执行路径（优先从系统属性获取）
        String pdftotextPath = System.getProperty("pdftotext.path", "pdftotext");

        // 构建命令：pdftotext -layout -enc UTF-8 input.pdf -
        List<String> command = new ArrayList<>();
        command.add(pdftotextPath);
        command.add("-layout");       // 保留原始布局（列、对齐等）
        command.add("-enc");          // 指定输出编码
        command.add("UTF-8");
        command.add(pdfFile.getAbsolutePath());
        command.add("-");             // 输出到 stdout

        ProcessBuilder pb = new ProcessBuilder(command);
        pb.redirectErrorStream(true); // 合并 stderr 到 stdout

        Process process = pb.start();

        StringBuilder output = new StringBuilder();
        try (BufferedReader reader = new BufferedReader(
                new InputStreamReader(process.getInputStream(), StandardCharsets.UTF_8))) {
            String line;
            while ((line = reader.readLine()) != null) {
                output.append(line).append(System.lineSeparator());
            }
        }

        try {
            boolean finished = process.waitFor(30, TimeUnit.SECONDS); // 设置最大等待时间为30秒
            if (!finished) {
                process.destroyForcibly();
                throw new IOException("pdftotext process timed out and was forcibly terminated.");
            }
            int exitCode = process.exitValue();
            if (exitCode != 0) {
                // 注意：不要把整个 output 放进异常信息中以防泄露敏感内容
                throw new IOException("pdftotext failed with exit code " + exitCode);
            }
        } catch (InterruptedException e) {
            Thread.currentThread().interrupt();
            throw new IOException("pdftotext process interrupted", e);
        }

        return output.toString();
    }

    // ===== 示例用法 =====
    public static void main(String[] args) {
        try {
            String text = PdfToTextUtil.extractText("D:002.pdf");
            System.out.println(text);
        } catch (IOException e) {
            System.err.println("Error extracting PDF text: " + e.getMessage());
            e.printStackTrace();
        }
    }
}

运行截图：

四、常见问题

问题	解决方案
pdftotext: command not found	Linux：未安装；Windows：未配置 PATH
中文乱码	始终使用 -enc UTF-8，Java 读取时指定 UTF-8 编码
提取结果为空	PDF 可能是扫描件（图像），需用 OCR（如 Tess4J）
GPL 合规担忧	仅调用命令行通常不构成"衍生作品"，但建议咨询法务