背景
抱歉也开始用了这么“标题党”的标题。事情起源于前几天需要把个人资料的 pdf 文档一页一页的拆出来，好传到相关的网站上。直接截图到 word 再转 pdf 比较麻烦，所以想用工具直接转换。结果找了几个 pdf 阅读器，这类操作都需要会员或收费。作为一名程序员，这么简单的操作还要收费显然是一种羞耻（当然我是不会承认主要是因为 qiong 的），几分钟就可以代码解决的问题为啥要花钱呢？废话不多说，开搞。
工具准备
之前的文章Apache POI 详解及 Word 文档读取示例中，我们曾经用 apache poi 来实现对 word 文档的操作。对于 pdf 文件，也同样有 apache 的 pdfbox（官网：https://pdfbox.apache.org/），和 itextpdf（官网：https://itextpdf.com/）包可以使用。
PDFBox：
PDFBox 是 Java 实现的 PDF 文档协作类库，提供 PDF 文档的创建、处理以及文档内容提取功能，也包含了一些命令行实用工具。PDFBox 提供的主要功能有：
从 PDF 提取文本
合并 PDF 文档
PDF 文档加密与解密
与 Lucene 搜索引擎的集成
填充 PDF/XFDF 表单数据
从文本文件创建 PDF 文档
从 PDF 页面创 建图片
打印 PDF 文档
itextpdf：
iText 是著名的开放源码的站点 sourceforge 一个项目，是用于生成 PDF 文档的一个 java 类库。通过 iText 不仅可以生成 PDF 或 rtf 的文档，而且可以将 XML、Html 文件转化为 PDF 文件。 iText 的安装非常方便，下载 iText.jar 文件后，只需要在系统的 CLASSPATH 中加入 iText.jar 的路径，在程序中就可以使用 iText 类库了。
依赖引入
新建一个 java maven 工程，引入依赖包（这里使用的是 itextpdf 的 5.5.1 和 pdfbox 的 2.0.15 版本）：
<?xml version="1.0" encoding="UTF-8"?><project xmlns="http://maven.apache.org/POM/4.0.0" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/xsd/maven-4.0.0.xsd"> <modelVersion>4.0.0</modelVersion>
<groupId>org.example</groupId> <artifactId>pdf-test</artifactId> <version>1.0-SNAPSHOT</version>
<dependencies> <dependency> <groupId>com.itextpdf</groupId> <artifactId>itextpdf</artifactId> <version>5.5.1</version> <type>jar</type> </dependency>
<dependency> <groupId>org.apache.pdfbox</groupId> <artifactId>pdfbox</artifactId> <version>2.0.15</version> </dependency>
<!-- https://mvnrepository.com/artifact/org.apache.pdfbox/fontbox --> <dependency> <groupId>org.apache.pdfbox</groupId> <artifactId>fontbox</artifactId> <version>2.0.15</version> </dependency> <!-- https://mvnrepository.com/artifact/org.apache.pdfbox/jempbox --> <dependency> <groupId>org.apache.pdfbox</groupId> <artifactId>jempbox</artifactId> <version>1.8.16</version> </dependency> </dependencies>
</project>
复制代码
pdf 文件拆分导出实现
要实现功能：输入 pdf 文件路径，指定起止页码，截取这几页内容并写入新的 pdf 文件。例如起始页码 1，截止页码 3，则生成一个新文件，存储原 pdf 文档的 1-3 页。
这里使用的是 itextpdf，代码如下：
/** * 导出pdf文档中的部分页到新的pdf文件 * @param filePath 文件路径 * @param newFile 写入目标文件路径 * @param from 起始页码 * @param end 结束页码 */ public static void pdfToSub(String filePath, String newFile, int from, int end) { Document document = null; PdfCopy copy = null; try { PdfReader reader = new PdfReader(filePath); //查询pdf文档页数 int n = reader.getNumberOfPages(); if (end == 0) { end = n; } document = new Document(reader.getPageSize(1)); copy = new PdfCopy(document, new FileOutputStream(newFile)); document.open(); for (int j = from; j <= end; j++) { document.newPage(); PdfImportedPage page = copy.getImportedPage(reader, j); copy.addPage(page); } document.close(); } catch (Exception e) { e.printStackTrace(); } }
复制代码
main 函数：
String filePath = "/Users/xxxx/Downloads/数据中台- 77ebooks.com.pdf";String newFile = "/Users/xxxx/Downloads/1-3.pdf";pdfToSub(filePath, newFile, 1, 3);
复制代码
执行后在目录下可以看到结果文件：
读取 pdf 文件内容
使用 pdfbox 的 pdfparser，代码如下：
/** * 读取pdf文档指定页数的文本内容 * @param fileName 文件路径及文件名 * @param from 开始页码 * @param end 结束页码 * @return */ public static String readPdfByPage(String fileName, int from, int end) { String result = ""; File file = new File(fileName); FileInputStream in = null; try { in = new FileInputStream(fileName); // 新建PDF解析器对象 PDFParser parser = new PDFParser(new RandomAccessFile(file,"rw")); // 文件解析 parser.parse(); // 获取解析后得到的PDF文档对象 PDDocument pdfDocument = parser.getPDDocument(); int size = pdfDocument.getNumberOfPages(); // 新建PDF文本剥离器 PDFTextStripper stripper = new PDFTextStripper(); stripper.setSortByPosition(false); //true则按照行进行读取，默认false
// 设置起始页 stripper.setStartPage(from); // 设置结束页 stripper.setEndPage(end); // 从PDF文档中读取文本 result = stripper.getText(pdfDocument); } catch (Exception e) { e.printStackTrace(); } finally { if (in != null) { try { in.close(); } catch (IOException e1) { e1.printStackTrace(); } } } return result; }
复制代码
执行后输出：
示例需要需要引入的 package 如下：
import com.itextpdf.text.Document;import com.itextpdf.text.pdf.PdfCopy;import com.itextpdf.text.pdf.PdfImportedPage;import com.itextpdf.text.pdf.PdfReader;import org.apache.pdfbox.io.RandomAccessFile;import org.apache.pdfbox.pdfparser.PDFParser;import org.apache.pdfbox.pdmodel.PDDocument;import org.apache.pdfbox.text.PDFTextStripper;
import java.io.File;import java.io.FileInputStream;import java.io.FileOutputStream;import java.io.IOException;
复制代码
小结
本篇对 pdf 的操作做了初步的尝试。后续将详解 pdf 文件格式，以及 pdfbox 和 itextpdf 的核心源码。
评论