PDFLayoutTextStripper

PDFLayoutTextStripper

Converte um arquivo PDF em um arquivo de texto, mantendo o layout do PDF original. Útil para extrair o conteúdo de uma tabela ou formulário em um arquivo PDF. PDFLayoutTextStripper é uma subclasse da classe PDFTextStripper (da biblioteca Apache PDFBox).

Casos de uso

Extração de dados de uma tabela em um arquivo PDF

Extração de dados de um formulário em um arquivo PDF

Como instalar

Maven

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

Manual

1. Instale o apache pdfbox manualmente (para obter a v2.0.6 clique aqui) e suas duas dependências commons-logging.jar e fontbox

aviso : apenas versões do pdfbox a partir da versão 2.0.0 são compatíveis com esta versão do PDFLayoutTextStripper.java

Como usar no 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

Como usar no Windows

O mesmo que para Linux (veja acima), mas substitua : por ;

Código de exemplo

 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);
	}
}

Colaboradores

Graças a

• Dmytro Zelinskyy por relatar um problema com sua correção (v2.2.3)
• Ho Ting Cheng por relatar um problema (v2.1)
• James Sullivan por ter atualizado o código para fazê-lo funcionar com a versão mais recente do PDFBox (v2.0)