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