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：

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。

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。

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。

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：

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！