Kuinka lukea PDF-tiedostoja Javassa

Kuvan luotto: Pixland/Pixland/Getty Images

Lataa Java JDK Sunin verkkosivustolta. Tämä on suoritettava tiedosto, jonka voit asentaa järjestelmääsi suorittamalla sen. Versiot ovat saatavilla Windowsille, Macille ja Linuxille. Napsauta punaista "Lataa" -painiketta. Tallenna pyydettäessä tiedosto nimeltä "jdk-6uxx-windows-xxx.exe". Tallenna tämä tiedosto ja kaksoisnapsauta sitä käynnistääksesi Java-asennusohjelman.

Lataa Eclipse-kehitysjärjestelmä ja pura se huipputason hakemistoon. Valitse "Eclipse IDE Java-kehittäjille". Tämä aloittaa tiedoston "eclipse-java-galileo-SR2-win32.zip" latauksen. Kaksoisnapsauta tiedostoa purkaaksesi sen, kun lataus on valmis. Valitse "C:" juurihakemiston sijainti Eclipsen purkamiseksi.

Käynnistä Eclipse kaksoisnapsauttamalla "eclipse.exe" -tiedostoa hakemistossa, jonka juuri loit purkamalla eclipse-zip-tiedoston. Luo Eclipse-järjestelmässä projekti nimeltä "PrintPdf". Valitse "Tiedosto" ja "Uusi" ja sitten "Java-projekti". Kirjoita projektin nimi "PrintPdf" näkyviin tulevaan valintaikkunaan. Varmista, että "Luo erilliset kansiot lähde- ja luokkatiedostoille" -valintanappi on valittuna. Napsauta "Valmis".

Luo "lib"-kansio "PrintPdf"-projektiisi. Napsauta hiiren kakkospainikkeella "PrintPdf" -projektia ja valitse "New" ja sitten "Folder". Kirjoita nimi "lib" ja napsauta "Valmis".

Lataa Apache "PDFBox.jar" Apache-sivustosta ja kopioi se juuri luomaasi lib-hakemistoon. Lataa samalta verkkosivulta "fontbox-nn.jar"- ja "jempbox-nn.jar"-tiedostot. Jokaisessa tapauksessa, kun napsautat kyseistä jar-tiedostoa, se vie sinut sivulle, jolla voit valita yhden useista palvelimista, jotka voivat tarjota tämän tiedoston. Valitse jokainen niistä ja jokainen jar-tiedosto ladataan. Kopioi jokainen jar-tiedosto juuri luomaasi lib-hakemistoon.

Lataa Apache log4j.jar-paketti samalla tavalla ja kopioi log4j.jar-tiedosto hakemistoon. Apache PDFBox -kirjasto käyttää tätä Apachen lokikirjastoa, joten tämän tiedoston on oltava läsnä.

Lataa Apache Commons Discovery -paketti zip-tiedostona. Kaksoisnapsauta zip-tiedostoa, valitse "commons-discovery-nn.jar" ja pura se lib-hakemistoon.

Napsauta Eclipsessä "lib"-hakemistoa ja paina "F5". Varmista, että kaikki lisäämäsi jar-tiedostot näkyvät.

Napsauta hiiren kakkospainikkeella PrintPDF-projektia ja valitse "Ominaisuudet". Valitse "Java Build Path" ja valitse "Kirjastot"-välilehti. Napsauta "Lisää purkit" ja siirry juuri luomaasi lib-hakemistoon ja lisää "commons-logging-nn.jar" "fontbox-nn.jar", "jempbox-nn.jar", "log4j-nn.jar". ," ja "pdfbox-nn.jar." Napsauta "OK".

Napsauta hiiren kakkospainikkeella "PrintPDF"-projektisi "src"-kansiota ja valitse "Uusi" ja "Paketti". Luo paketti millä tahansa merkityksellisellä nimellä. Nimeä paketti esimerkiksi "com.pdf.util". Napsauta "Valmis".

Napsauta hiiren kakkospainikkeella juuri luomaasi paketin nimeä ja valitse "Uusi" ja sitten "Luokka". Luo luokka nimeltä "PDFTextParser." Muista klikata valintaruutua "public static void main...", jotta järjestelmä luo a "päämenetelmä".

Muokkaa "PDFTextParser"-luokan "main"-metodia sisältämään seuraavan koodin:

public static void main (String args[]){ PDFTextParser pdf = new PDFTextParser("data/javaPDF.pdf") GO //tulosta tulokset System.out.println (pdf.getParsedText()) GO }

Huomaa, että tulostettava tiedosto on kirjoitettu PDFTextParserin rakentajassa ("data/JavaPDF.pdf"). Se voi yhtä helposti olla komentoriviargumentti:

PDFTextParser pdf = uusi PDFTextParser (argv[0])

MENNÄ

tai valitaan graafisesta käyttöliittymästä.

Se luo PDFTextParser-luokan esiintymän ja kutsuu sitten sen "getParsedText"-menetelmää.

Lisää seuraava koodi sinulle luodun huippuluokan "public class PDFTextParser" -rivin alle.

yksityinen PDFParser-jäsennin = null GO

// Poimi teksti PDF-dokumentista. public PDFTextParser (String fileName) { Tiedostotiedosto = uusi tiedosto (tiedostonimi)

GO if (!file.isFile()) { System.err.println("Tiedostoa " + tiedostonnimi + " ei ole olemassa.") GO } //Asenna PDF-jäsentimen esiintymä, yritä { jäsentäjä = uusi PDFParser (uusi FileInputStream (tiedosto)) GO } catch (IOException e) { System.err.println("PDF-tiedostoa ei voi avata Jäsentäjä. " + e.getMessage()) GO } } // julkinen merkkijono getParsedText() { PDDocument pdDoc = null GO COSDocument cosDoc = null;
Merkkijono parsedText = null; MENNÄ

kokeile { PDFTextStripper pdfStripper = uusi PDFTextStripper()

GO parser.parse() GO cosDoc = parser.getDocument() GO pdDoc = uusi PDDocument (cosDoc) GO

//hae luettelo kaikista sivuista List< PDPage> list = pdDoc.getDocumentCatalog().getAllPages()

MENNÄ

//huomaa, että voit tulostaa kaikki haluamasi sivut //valitsemalla eri arvot aloitus- ja loppusivulle pdfStripper.setStartPage (1); //1-pohjainen int pituus = list.size(); //sivujen kokonaismäärä pdfStripper.setEndPage (pituus); //viimeinen sivu //hae valittujen sivujen teksti parsedText = pdfStripper.getText (pdDoc)

GO } catch (IOException e) { System.err .println("PDF-dokumentin jäsentämisessä tapahtui poikkeus." + e.getMessage()) GO } vihdoin { kokeile { if (cosDoc != null) cosDoc.close() GO if (pdDoc != null) pdDoc.close() GO } catch (IOException e) { e.printStackTrace() GO } }
palauta jäsennetty teksti GO }

Suorita ohjelma. Napsauta hiiren kakkospainikkeella PDFTextParser-luokkaa ja napsauta "Suorita nimellä" ja sitten "Java-ohjelma". Ohjelman pitäisi toimia ja tulostaa koodiin kirjoittamasi PDF-tiedoston tekstisisältö.

Luo määritystiedosto estääksesi Java-lokijärjestelmän log4j-virhesanoman, joka luodaan, kun se ei löydä määritystiedostoa käynnistyessään. Napsauta hiiren kakkospainikkeella PrintPDF-projektin "src"-kansiota ja valitse "Uusi" ja sitten "Tiedosto". Nimeä tiedosto "log4j.properties". Eclipse näyttää tyhjän näytön tälle uudelle tiedostolle.

Liitä seuraavat rivit "log4j.properties"-tiedostoa edustavaan tyhjään näyttöön.

Tallenna "log4j.properties"-tiedosto. Tämän tiedoston läsnäolo ylimmän tason "src"-hakemistossa estää log4j-käynnistysviestin ja kaikki triviaalit lokiviestit. Log4j-järjestelmä tulostaa vain todelliset virheet.

Kärki