PDFBOX 解析PDF

小小流浪猪

 1、使用PDFBox处理PDF文档

PDF全称Portable Document Format，是Adobe公司开发的电子文件格式。这种文件格式与操作系统平台无关，可以在Windows、Unix或Mac OS等操作系统上通用。
PDF文件格式将文字、字型、格式、颜色及独立于设备和分辨率的图形图像等封装在一个文件中。如果要抽取其中的文本信息，需要根据它的文件格式来进行解析。幸好目前已经有不少工具能帮助我们做这些事情，其中就有PDFBOX
PDFBox是Java实现的PDF文档API库，提供PDF文档的一系列操作。例如创建、处理以及文档内容提取等功能，也包含了一些命令行实用工具。
主要有以下特性：

• PDF格式的文本抽取
  
• 合并PDF文档
  
• PDF文档的加密与解密
  
• Lucene搜索引擎集成
  
• 填充表单数据
  
• 创建一个文本文件的PDF
  
• 创建PDF页面图象
  
• 打印PDF文档
  

 


2、PDFBox的下载
最常见的一种PDF文本抽取工具就是PDFBox了，访问网址http://sourceforge.net/projects/pdfbox/。读者可以在该网页下载其最新的版本。本书采用的是PDFBox-0.7.3版本。PDFBox是一个开源的Java PDF库，这个库允许你访问PDF文件的各项信息。
3、在Eclipse中配置
以下是在Eclipse中创建工程，并导入pdf工具类的过程
（1）在Eclipse的workspace中创建一个普通的Java工程:pdfprj
（2）把下载的PDFBox-0.7.3.zip解压。
（3）进入external目录下，可以看到，这里包括了PDFBox所有用到的外部包。复制下面的Jar包到工程pdfprj的lib目录下（如还未建立lib目录，则先创建一个）。
<ol><div class="a" style="margin-left: 39pt; line-height: normal; text-align: left;"> bcmail-jdk14-132.jar