Ako čítať súbor PDF v jazyku Java

Kredit za obrázok: Pixland/Pixland/Getty Images

Stiahnite si Java JDK z webovej stránky Sun. Toto je spustiteľný súbor, ktorý si môžete nainštalovať do svojho systému spustením. Verzie sú dostupné pre Windows, Mac a Linux. Kliknite na červené tlačidlo „Stiahnuť“. Po zobrazení výzvy uložte súbor s názvom „jdk-6uxx-windows-xxx.exe“. Uložte tento súbor a potom naň dvakrát kliknite, čím spustíte inštalačný program Java.

Stiahnite si vývojový systém Eclipse a rozbaľte ho do adresára najvyššej úrovne. Vyberte „Eclipse IDE pre vývojárov Java“. Tým sa spustí sťahovanie súboru „eclipse-java-galileo-SR2-win32.zip“. Dvojitým kliknutím na súbor ho po dokončení sťahovania rozbalíte. Vyberte umiestnenie koreňového adresára "C:" na rozbalenie Eclipse.

Spustite Eclipse dvojitým kliknutím na „eclipse.exe“ v adresári, ktorý ste práve vytvorili rozbalením zipsu Eclipse. V systéme Eclipse vytvorte projekt s názvom „PrintPdf“. Vyberte „Súbor“, potom „Nový“ a potom „Projekt Java“. Do zobrazeného dialógového okna zadajte názov projektu „PrintPdf“. Uistite sa, že je vybratý prepínač „Vytvoriť samostatné priečinky pre zdrojové súbory a súbory triedy“. Kliknite na „Dokončiť“.

Vytvorte priečinok „lib“ vo svojom projekte „PrintPdf“. Kliknite pravým tlačidlom myši na projekt „PrintPdf“ a vyberte „Nový“ a potom „Priečinok“. Zadajte názov „lib“ a kliknite na „Dokončiť“.

Stiahnite si Apache "PDFBox.jar" zo stránky Apache a skopírujte ho do adresára lib, ktorý ste práve vytvorili. Na tej istej webovej stránke si stiahnite súbory „fontbox-nn.jar“ a „jempbox-nn.jar“. V každom prípade, keď kliknete na daný súbor jar, dostanete sa na stránku, kde si môžete vybrať jeden z niekoľkých serverov, ktoré môžu poskytnúť tento súbor. Vyberte si každý z nich a každý súbor jar sa stiahne. Skopírujte každý súbor jar do adresára lib, ktorý ste práve vytvorili.

Stiahnite si balík Apache log4j.jar rovnakým spôsobom a skopírujte súbor log4j.jar do adresára. Knižnica Apache PDFBox používa túto protokolovaciu knižnicu Apache, takže tento súbor musí byť prítomný.

Stiahnite si balík Apache Commons Discovery ako súbor zip. Dvakrát kliknite na súbor zip, vyberte súbor „commons-discovery-nn.jar“ a rozbaľte ho do adresára lib.

V Eclipse kliknite na adresár "lib" a stlačte "F5." Uistite sa, že sú zobrazené všetky súbory jar, ktoré ste pridali.

Kliknite pravým tlačidlom myši na projekt PrintPDF a vyberte „Vlastnosti“. Vyberte "Java Build Path" a vyberte kartu "Knižnice". Kliknite na „Pridať poháre“ a prejdite do adresára lib, ktorý ste práve vytvorili, a pridajte „commons-logging-nn.jar“, „fontbox-nn.jar“, „jempbox-nn.jar,“ „log4j-nn.jar “ a „pdfbox-nn.jar.“ Kliknite na „OK“.

Kliknite pravým tlačidlom myši na priečinok „src“ vášho projektu „PrintPDF“ a vyberte „Nový“ a „Balík“. Vytvorte balík s ľubovoľným zmysluplným názvom. Napríklad pomenujte balík "com.pdf.util." Kliknite na „Dokončiť“.

Kliknite pravým tlačidlom myši na názov balíka, ktorý ste práve vytvorili, a vyberte „Nový“ a potom „Trieda“. Vytvorte triedu s názvom "PDFTextParser." Nezabudnite kliknúť na začiarkavacie políčko označené „public static void main...“, aby systém vytvoril a „hlavná“ metóda.

Upravte metódu "main" v triede "PDFTextParser" tak, aby obsahovala nasledujúci kód:

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

Všimnite si, že súbor, ktorý chcete vytlačiť, je napísaný v konštruktore PDFTextParser ("data/JavaPDF.pdf"). Rovnako ľahko to môže byť argument príkazového riadku:

PDFTextParser pdf = nový PDFTextParser (argv[0])

Ísť

alebo vybraté z rozhrania GUI.

Vytvorí inštanciu triedy PDFTextParser a potom zavolá jej metódu „getParsedText“.

Vložte nasledujúci kód tesne pod riadok najvyššej triedy „public class PDFTextParser“, ktorý bol vytvorený pre vás.

súkromný analyzátor PDFParser = null GO

// Extrahujte text z dokumentu PDF. public PDFTextParser (String fileName) { File file = new File (fileName)

GO if (!file.isFile()) { System.err.println("Súbor " + názov súboru + " neexistuje.") GO } //Nastaviť inštanciu analyzátora PDF skúste { parser = new PDFParser (new FileInputStream (súbor)) GO } catch (IOException e) { System.err.println("PDF sa nedá otvoriť Analyzátor. " + e.getMessage()) GO } } // public String getParsedText() { PDDocument pdDoc = null GO COSDocument cosDoc = null;
String parsedText = null; Ísť

skúste { PDFTextStripper pdfStripper = new PDFTextStripper()

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

//získanie zoznamu všetkých stránok Zoznam< PDPage> zoznam = pdDoc.getDocumentCatalog().getAllPages()

Ísť

//všimnite si, že si môžete vytlačiť ľubovoľné strany // výberom rôznych hodnôt úvodnej a koncovej stránky pdfStripper.setStartPage (1); //dĺžka int založená na 1 = list.size(); //celkový počet strán pdfStripper.setEndPage (dĺžka); //posledná strana //získanie textu pre vybraté stránky parsedText = pdfStripper.getText (pdDoc)

GO } catch (IOException e) { System.err .println("Pri analýze dokumentu PDF sa vyskytla výnimka." + e.getMessage()) GO } konečne { try { if (cosDoc != null) cosDoc.close() GO if (pdDoc != null) pdDoc.close() GO } catch (IOException e) { e.printStackTrace() GO } }
vrátiť parsedText GO }

Spustite program. Kliknite pravým tlačidlom myši na triedu PDFTextParser a kliknite na „Spustiť ako“ a potom na „Program Java“. Program by sa mal spustiť a vytlačiť textový obsah súboru PDF, ktorý ste zadali do kódu.

Vytvorte konfiguračný súbor na potlačenie chybového hlásenia log4j systému protokolovania Java vytvoreného, ​​keď nemôže nájsť konfiguračný súbor pri spustení. Kliknite pravým tlačidlom myši na priečinok „src“ projektu PrintPDF a vyberte „Nový“ a potom „Súbor“. Pomenujte súbor "log4j.properties" Eclipse zobrazí prázdnu obrazovku pre tento nový súbor.

Vložte nasledujúce riadky na prázdnu obrazovku predstavujúcu súbor "log4j.properties".

Uložte súbor "log4j.properties". Prítomnosť tohto súboru v adresári „src“ najvyššej úrovne potlačí spúšťaciu správu log4j a akékoľvek triviálne správy o protokolovaní. Systém log4j vytlačí iba skutočné chyby.

Tip