PDFLayoutTextStripper

PDFLayoutTextStripper

Преобразует PDF-файл в текстовый файл, сохраняя макет исходного PDF-файла. Полезно для извлечения содержимого из таблицы или формы в файле PDF. PDFLayoutTextStripper — это подкласс класса PDFTextStripper (из библиотеки Apache PDFBox).

Варианты использования

Извлечение данных из таблицы в PDF-файл

Извлечение данных из формы в PDF-файл

Как установить

Мавен

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

Руководство

1. Установите apache pdfbox вручную (чтобы получить версию 2.0.6, нажмите здесь) и две его зависимости: commons-logging.jar и fontbox.

предупреждение : только версии pdfbox начиная с версии 2.0.0 и выше совместимы с этой версией PDFLayoutTextStripper.java.

Как использовать на 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

Как использовать в Windows

То же, что и для Linux (см. выше), но замените : на ;

Пример кода

 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);
	}
}

Авторы

Благодаря

• Дмитрий Зелинский за сообщение о проблеме с его исправлением (v2.2.3)
• Хо Тин Ченг за сообщение о проблеме (v2.1)
• Джеймсу Салливану за обновление кода, чтобы он работал с последней версией PDFBox (v2.0).