Hvordan lese PDF-fil i Java

Bildekreditt: Pixland/Pixland/Getty Images

Last ned Java JDK fra Suns nettsted. Dette er en kjørbar fil som du kan installere på systemet ditt ved å kjøre den. Versjoner er tilgjengelige for Windows, Mac og Linux. Klikk på den røde "Last ned"-knappen. Lagre en fil kalt "jdk-6uxx-windows-xxx.exe" når du blir bedt om det. Lagre denne filen og dobbeltklikk på den for å starte Java-installasjonsprogrammet.

Last ned Eclipse-utviklingssystemet og pakk det ut i en katalog på toppnivå. Velg "Eclipse IDE for Java Developers." Dette vil starte nedlastingen av "eclipse-java-galileo-SR2-win32.zip." Dobbeltklikk på filen for å pakke den ut etter at nedlastingen er fullført. Velg "C:" rotkatalogplasseringen for å pakke ut Eclipse.

Start Eclipse ved å dobbeltklikke på "eclipse.exe" i katalogen du nettopp opprettet ved å pakke ut eclipse zip-filen. I Eclipse-systemet oppretter du et prosjekt som heter "PrintPdf." Velg "Fil" og deretter "Ny" og deretter "Java-prosjekt". Skriv inn prosjektnavnet "PrintPdf" i dialogboksen som vises. Pass på at alternativknappen er valgt som sier "Opprett separate mapper for kilde- og klassefiler." Klikk "Fullfør".

Opprett en "lib"-mappe i "PrintPdf"-prosjektet ditt. Høyreklikk på "PrintPdf"-prosjektet og velg "Ny" og deretter "Mappe". Skriv inn navnet "lib" og klikk på "Fullfør".

Last ned Apache "PDFBox.jar" fra Apache-siden og kopier den til lib-katalogen du nettopp opprettet. Last ned "fontbox-nn.jar"-filen og "jempbox-nn.jar"-filen på samme nettside. I hvert tilfelle, når du klikker på den jar-filen, vil den ta deg til en side der du kan velge en av flere servere som kan levere denne filen. Velg hver av dem og hver jar-fil vil lastes ned. Kopier hver jar-fil til lib-katalogen du nettopp opprettet.

Last ned Apache log4j.jar-pakken på samme måte og kopier log4j.jar-filen inn i katalogen. Apache PDFBox-biblioteket bruker dette Apache-loggingsbiblioteket, så denne filen må være til stede.

Last ned Apache Commons Discovery-pakken som en zip-fil. Dobbeltklikk på zip-filen, velg "commons-discovery-nn.jar" og pakk den ut i lib-katalogen.

I Eclipse, klikk på "lib"-katalogen og trykk "F5". Sørg for at alle jar-filene du har lagt til vises.

Høyreklikk på PrintPDF-prosjektet og velg "Egenskaper". Velg "Java Build Path" og velg "Libraries"-fanen. Klikk på "Legg til krukker" og gå til lib-katalogen du nettopp har opprettet, og legg til "commons-logging-nn.jar", "fontbox-nn.jar", "jempbox-nn.jar," "log4j-nn.jar ," og "pdfbox-nn.jar." Klikk på "OK".

Høyreklikk på "src"-mappen til "PrintPDF"-prosjektet og velg "Ny" og "Pakke". Lag en pakke med et hvilket som helst meningsfullt navn. Gi for eksempel navnet "com.pdf.util." Klikk "Fullfør".

Høyreklikk på pakkenavnet du nettopp opprettet og velg "Ny" og deretter "Klasse". Lag en klasse som heter "PDFTextParser." Pass på å klikke på avmerkingsboksen merket "public static void main..." slik at systemet vil opprette en "hovedmetoden".

Rediger "hoved"-metoden i klassen "PDFTextParser" for å inneholde følgende kode:

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

Merk at filen du ønsker å skrive ut er stavet i konstruktøren til PDFTextParser ("data/JavaPDF.pdf"). Det kan like gjerne være et kommandolinjeargument:

PDFTextParser pdf = ny PDFTextParser (argv[0])

GÅ

eller valgt fra et GUI-grensesnitt.

Den oppretter en forekomst av PDFTextParser-klassen, og kaller deretter "getParsedText"-metoden.

Sett inn følgende kode rett under toppklassen "public class PDFTextParser" som ble opprettet for deg.

privat PDFParser-parser = null GO

// Trekk ut tekst fra PDF-dokument. public PDFTextParser (String fileName) { File file = new File (fileName)

GO if (!file.isFile()) { System.err.println("Fil " + filnavn + " eksisterer ikke.") GO } //Sett opp forekomst av PDF-parser prøv { parser = new PDFParser (ny FileInputStream (fil)) GO } catch (IOException e) { System.err.println("Kan ikke åpne PDF Parser. " + e.getMessage()) GO } } // public String getParsedText() { PDDocument pdDoc = null GO COSDocument cosDoc = null;
String parsedText = null; GÅ

prøv { PDFTextStripper pdfStripper = new PDFTextStripper()

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

//få liste over alle sider List< PDPage> list = pdDoc.getDocumentCatalog().getAllPages()

GÅ

//merk at du kan skrive ut hvilke sider du vil //ved å velge forskjellige verdier på start- og sluttsiden pdfStripper.setStartPage (1); //1-basert int lengde = liste.størrelse(); //totalt antall sider pdfStripper.setEndPage (lengde); //siste side //hent teksten for sidene som er valgt parsedText = pdfStripper.getText (pdDoc)

GO } catch (IOException e) { System.err .println("Et unntak skjedde ved parsing av PDF-dokumentet." + e.getMessage()) GO } til slutt { prøv { if (cosDoc != null) cosDoc.close() GO if (pdDoc != null) pdDoc.close() GO } catch (IOException e) { e.printStackTrace() GO } }
returner parsedText GO }

Kjør programmet. Høyreklikk på PDFTextParser-klassen og klikk på "Kjør som" og deretter på "Java-program". Programmet skal kjøre og skrive ut tekstinnholdet i PDF-filen du skrev inn i koden.

Opprett en konfigurasjonsfil for å undertrykke Java logging system log4j feilmeldingen opprettet når den ikke finner en konfigurasjonsfil når den starter opp. Høyreklikk på "src"-mappen til PrintPDF-prosjektet og velg "Ny" og deretter "Fil". Gi filen navnet "log4j.properties" Eclipse vil vise en tom skjerm for denne nye filen.

Lim inn følgende linjer i den tomme skjermen som representerer filen "log4j.properties".

Lagre "log4j.properties"-filen. Tilstedeværelsen av denne filen i "src"-katalogen på øverste nivå vil undertrykke log4j-oppstartsmeldingen og alle trivielle loggmeldinger. log4j-systemet vil kun skrive ut faktiske feil.

Tips