今天在Nutch源碼中准備增加一個PDF處理方面的功能，其中要做的一步是提取出PDF文檔中的文本信息。考慮了一下，還是准備使用PDFBox。看了一下，Nutch源碼中的parse-tika插件下有一個PDFBox，不過是1.1.0版本，很多PDF文檔都處理不了。現在官網上最新的版本已經是1.6.0了，於是准備替換一下。由於自己不喜歡看英文說明，在弄的時候倒是費了一番周折。
我一開始只下載了pdfbox-1.6.0.jar，替換了老版本的jar包，程序報錯。無奈之下，仔細看了一下官方文檔。PDFBox的官網（http://pdfbox.apache.org/）上的depandencies一欄中明確指出了使用PDFBox所需的組件及其關聯。PDFBox共有三個主要組件，除了上面的pdfbox-1.6.0.jar，還有fontbox-1.6.0.jar與jempbox-1.6.0.jar，此外還需要一個日志處理的commons-logging組件。對於日志組件，Nutch中本來就有，是commons-logging-1.0.4.jar和
commons-logging-api-1.0.4.jar，如果你在自己的應用程序中使用PDFBox，就需要上面這五個jar包（日志組件是兩個jar包）。
當然，官網上為了方便用戶使用，還提供了一個集成的jar包：pdfbox-app-1.6.0.jar，如果使用該jar包，就不再需要其他的了。
使用PDFBox處理PDF文檔 http://www.linuxidc.com/Linux/2014-06/103584.htm
OK，一切就緒後，就開始提取文本信息。提取文本信息的代碼比較簡單，網上也有許多。示例如下：
PDDocument doc = PDDocument.load("D:/331.pdf");
PDFTextStripper stripper = new PDFTextStripper();
String text = stripper.getText(doc);
String title = stripper.getTitle(doc);
這是從本地讀取pdf文件，如果是從網絡上，你首先會得到文件的一個InputStream對象（假設名為stream），代碼如下：
PDDocument doc = new PDDocument();
PDFParser parser = new PDFParser(stream);
parser.parse();
doc = parser.getPDDocument();
PDFTextStripper stripper = new PDFTextStripper();
String text = stripper.getText(doc);
String title = stripper.getTitle(doc);
但要說明;
(1) PDFBox對某些格式的pdf文件是提取不出來的，但大部分都可以。
(2) PDFTextStripper嘗試提取出更多的信息，比如標題，摘要等；但不要過多指望該類，只有那些規范的PDF文檔（論文那種），才可以提取出來。其余的要麼是null，要麼是錯誤的。
PDFBox還有很多其他的功能，比如試著解碼等，如果需要，就去研究API吧……
PDFBox 的詳細介紹：請點這裡
PDFBox 的下載地址：請點這裡