在許多應(yīng)用中，我們需要從 PDF 文件中提取文本內(nèi)容和嵌入的圖像。為了實(shí)現(xiàn)這一目標(biāo)，Apache PDFBox 是一個(gè)非常實(shí)用的開源工具庫。它提供了豐富的 API，可以幫助我們輕松地讀取 PDF 文件、提取其中的文本、圖像以及其他資源。

本文將介紹如何使用 Apache PDFBox 來提取 PDF 文件中的文本和圖像，并將圖像保存為文件。通過實(shí)際代碼示例，您將學(xué)會(huì)如何高效地處理 PDF 文件中的內(nèi)容。

1. Apache PDFBox 簡介

Apache PDFBox 是一個(gè)用于創(chuàng)建、操作和提取 PDF 內(nèi)容的 Java 庫。它提供了一些重要的功能，包括：

• 提取 PDF 文件中的文本內(nèi)容。
• 提取 PDF 文件中的圖像。
• 創(chuàng)建和修改 PDF 文檔。
• 操作 PDF 表單、數(shù)字簽名等。

PDFBox 是完全開源的，適用于 Java 開發(fā)者，用于處理 PDF 文檔中的各種數(shù)據(jù)。

2. 目標(biāo)

在本文中，我們的目標(biāo)是使用 PDFBox 從 PDF 文件中提取：

• 文本內(nèi)容：每一頁的文本信息。
• 圖像：嵌入到 PDF 中的圖像并保存為文件。

3. 示例代碼

以下是使用 Apache PDFBox 提取 PDF 中文本和圖像的完整代碼示例：

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中的文本和圖像private static void readTextAndImage(String filePath) {try (PDDocument document = PDDocument.load(new File(filePath))) {// 獲取PDF文檔的頁數(shù)int numberOfPages = document.getNumberOfPages();// 遍歷每一頁提取文本和圖像for (int i = 0; i < numberOfPages; i++) {PDPage page = document.getPage(i);// 提取頁面文本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");// 提取圖像資源PDResources resources = page.getResources();for (COSName xObjectName : resources.getXObjectNames()) {if (resources.isImageXObject(xObjectName)) {PDImageXObject imageObject = (PDImageXObject) resources.getXObject(xObjectName);BufferedImage bImage = imageObject.getImage();// 將圖像保存為 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) {// 輸入PDF文件路徑String filePath = "/path/to/your/pdf-file.pdf"; // 請(qǐng)?zhí)鎿Q為實(shí)際的 PDF 文件路徑readTextAndImage(filePath);}
}

4. 代碼分析

1. 加載 PDF 文件

我們通過 PDDocument.load() 方法加載 PDF 文件。該方法會(huì)返回一個(gè) PDDocument 對(duì)象，表示整個(gè) PDF 文檔。

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

2. 提取文本內(nèi)容

PDFTextStripper 類是用于從 PDF 中提取文本的工具。我們通過設(shè)置 startPage 和 endPage 來指定提取特定頁面的文本。getText() 方法將返回當(dāng)前頁面的文本內(nèi)容。

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

3. 提取圖像

為了提取 PDF 頁面中的圖像，我們使用 PDPage.getResources() 獲取該頁面的資源對(duì)象。資源對(duì)象包含頁面的所有資源，包括圖像。然后我們通過 resources.getXObject() 方法獲取圖像對(duì)象，并使用 PDImageXObject.getImage() 獲取 BufferedImage，最后將圖像保存為字節(jié)數(shù)組。

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，我們將圖像保存為 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. 總結(jié)

通過 Apache PDFBox，我們可以輕松地從 PDF 文檔中提取文本和圖像。上面的示例代碼展示了如何遍歷 PDF 文件的每一頁，提取其中的文本內(nèi)容，并且提取頁面中所有的圖像資源并保存為文件。這種方法對(duì)于處理 PDF 報(bào)告、提取嵌入圖像或處理表單數(shù)據(jù)非常有用。

希望本文的示例能夠幫助你更好地使用 PDFBox 處理 PDF 文件。如果你有更多問題或需求，歡迎與我們討論！