PDFLayoutTextStripper

PDFLayoutTextStripper

Mengonversi file PDF menjadi file teks dengan tetap mempertahankan tata letak PDF asli. Berguna untuk mengekstrak konten dari tabel atau formulir dalam file PDF. PDFLayoutTextStripper adalah subkelas dari kelas PDFTextStripper (dari perpustakaan Apache PDFBox).

Kasus penggunaan

Ekstraksi data dari tabel dalam file PDF

Ekstraksi data dari formulir dalam file PDF

Bagaimana cara menginstal

Maven

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

petunjuk

1. Instal Apache pdfbox secara manual (untuk mendapatkan v2.0.6 klik di sini) dan dua dependensinya commons-logging.jar dan fontbox

peringatan : hanya versi pdfbox dari versi 2.0.0 ke atas yang kompatibel dengan versi PDFLayoutTextStripper.java ini

Cara menggunakan di 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

Cara menggunakan di Windows

Sama seperti untuk Linux (lihat di atas) tetapi ganti : dengan ;

Kode sampel

 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);
	}
}

Kontributor

Berkat

• Dmytro Zelinskyy karena melaporkan masalah dengan koreksinya (v2.2.3)
• Ho Ting Cheng karena melaporkan masalah (v2.1)
• James Sullivan karena telah memperbarui kode agar berfungsi dengan PDFBox versi terbaru (v2.0)