JAVA 提取PDF中文本、图片

Java 提取PDF中文本和图片
PDF常携带大量且还原度高的信息内容，有时为了获得一些必要的数据我们需要从PDF 中读取文本和图片信息。

下面这篇文章将介绍通过Java实现提取PDF的文本和图片。

工具使用：
●Free Spire Pdf for Java 2.4.4 (免费版)
●Intellij IDEA
导入Jar 包：
首先，获取Free Spire.PDF for Java之后解压，以下是三种方式在IDEA中快速打开Project Structure界面；如下图：
然后：①选择“Modules”—“Dependencies”，添加外置jar包；②进入"Attach File or Directories"界面选择jar文件路径，然后点击“OK”;③勾选jar路径选项，点击”OK”/”Apply”;④导入完成。

如下图：
测试源文档参考如下：
Java 代码示例参考：
【示例 1】提取PDF 中文本内容
步骤一：添加命名空间； import com.spire.pdf.*; import java.io.FileWriter ;
步骤二：创建PDF实例和加载PDF源文件；
//创建PDF实例
PdfDocument doc = new PdfDocument();
//加载PDF源文件
doc.loadFromFile("data/PDF_3.pdf");
步骤三：使用StringBuilder方法定义一个字符缓冲区实例，for循环遍历整个PDF文档；
// 遍历PDF文档
StringBuilder buffer = new StringBuilder();
for(int i = 1; i<doc.getPages().getCount(); i++){
PdfPageBase page = doc.getPages().get(i);
buffer.append(page.extractText());
}
步骤四：定义一个writer实例将数据写到缓冲区，使用write()将缓冲区的数据写入text.txt 文件并保存。

//保存文本
String fileName = "output/text.txt";
FileWriter writer = new FileWriter(fileName);
writer.write(buffer.toString());
writer.flush();
writer.close();
文本提取结果：
【示例2】提取PDF中图片
步骤1：添加命名空间；
import com.spire.pdf.*;
import javax.imageio.ImageIO;
import java.awt.image.BufferedImage;
import java.io.File;
步骤2：创建PDF实例和加载PDF源文件。

//创建一个PDF实例
PdfDocument pdf = new PdfDocument();
//加载PDF源文档
pdf.loadFromFile("data/PDF_3.pdf");
步骤3：for循环遍历PDF每一页，使用extractImages()方法获取指定页上的图片，最后以PNG格式保存图片。

//声明一个变量
int index = 0;
//遍历每一页PDF
for (int i= 0;i< pdf.getPages().getCount(); i ++){
//获取PDF文档页码
PdfPageBase page = pdf.getPages().get(i);
//提取图片
for (BufferedImage image : page.extractImages()) {
//确定路径和名称
File output = new File("output/" + String.format("Image_%d.png", index++));
//以png格式保存文件
ImageIO.write(image, "PNG", output);
}
}
图片提取主要结果：
（本文完）。