PDFLayoutTextStripper

PDFLayoutTextStripper

Konvertiert eine PDF-Datei in eine Textdatei und behält dabei das Layout der Original-PDF bei. Nützlich, um den Inhalt einer Tabelle oder eines Formulars in einer PDF-Datei zu extrahieren. PDFLayoutTextStripper ist eine Unterklasse der PDFTextStripper-Klasse (aus der Apache PDFBox-Bibliothek).

Anwendungsfälle

Datenextraktion aus einer Tabelle in einer PDF-Datei

Datenextraktion aus einem Formular in eine PDF-Datei

Anleitung zur Installation

Maven

 <dependency>
  <groupId>io.github.jonathanlink</groupId>
  <artifactId>PDFLayoutTextStripper</artifactId>
  <version>2.2.3</version>
</dependency>

Handbuch

1. Installieren Sie Apache PDFBox manuell (um die Version 2.0.6 zu erhalten, klicken Sie hier) und seine beiden Abhängigkeiten commons-logging.jar und Fontbox

Warnung : Nur PDFBox-Versionen ab Version 2.0.0 sind mit dieser Version von PDFLayoutTextStripper.java kompatibel

Verwendung unter Linux/Mac

 cd PDFLayoutTextStripper
javac -cp .:/pathto/pdfbox-2.0.6.jar:/pathto/commons-logging-1.2.jar:/pathto/PDFLayoutTextStripper/fontbox-2.0.6.jar *.java
java -cp .:/pathto/pdfbox-2.0.6.jar:/pathto/commons-logging-1.2.jar:/pathto/PDFLayoutTextStripper/fontbox-2.0.6.jar test

Verwendung unter Windows

Das Gleiche wie für Linux (siehe oben), aber ersetzen Sie : durch ;

Beispielcode

 import java.io.File;
import java.io.FileNotFoundException;
import java.io.IOException;
import org.apache.pdfbox.io.RandomAccessFile;
import org.apache.pdfbox.pdfparser.PDFParser;
import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.text.PDFTextStripper;

public class test {
	public static void main(String[] args) {
		String string = null;
        try {
            PDFParser pdfParser = new PDFParser(new RandomAccessFile(new File("./samples/bus.pdf"), "r"));
            pdfParser.parse();
            PDDocument pdDocument = new PDDocument(pdfParser.getDocument());
            PDFTextStripper pdfTextStripper = new PDFLayoutTextStripper();
            string = pdfTextStripper.getText(pdDocument);
        } catch (FileNotFoundException e) {
            e.printStackTrace();
        } catch (IOException e) {
            e.printStackTrace();
        };
        System.out.println(string);
	}
}

Mitwirkende

Dank

• Dmytro Zelinskyy für die Meldung eines Problems mit der Korrektur (v2.2.3)
• Ho Ting Cheng für die Meldung eines Problems (v2.1)
• James Sullivan für die Aktualisierung des Codes, damit er mit der neuesten Version von PDFBox (v2.0) funktioniert.