[Java] 利用xpdf库获取pdf文件的指定范围文本内容

 

[Java] 利用xpdf库获取pdf文件的指定范围文本内容

编写者

日期

关键词

郑昀@ultrapower

2005-8-2

Java PDF xpdf

 

概述

读取PDF文件的某一部分文本内容,可以使用开源项目xpdf

Java中调用xpdf,我们参照了《Java抽取WordPDF的四种武器》文章最后提到的办法。

总而言之,调用xpdf十分简单,下面讲一下xpdf的配置问题。

系统基础环境要求

下面是对运行xpdf软件服务的计算机的要求:

l         您可以从以下位置下载并安装 xpdf分发版本-补丁3Win32版本:
ftp://ftp.foolabs.com/pub/xpdf/xpdf-3.00pl3-win32.zip

l         还需要从以下位置下载并安装 xpdf针对中文简体的语言支持包:
ftp://ftp.foolabs.com/pub/xpdf/xpdf-chinese-simplified.tar.gz

 

(更多下载信息参考http://www.foolabs.com/xpdf/download.html)

 

调用示范

下载完毕,请将xpdf-3.00pl3-win32.zip解压缩到Cxpdf目录下,我们将以c:\xpdf作为xpdf的工作路径。

然后,请将xpdf-chinese-simplified.tar\xpdf-chinese-simplified的内容解压缩到xpdf根目录下的chinese-simplified目录中。

为了启用中文简体语言包,您必须将xpdf目录下的sample-xpdfrc文件另存为xpdfrc文件。

注意:此文件为配置文件,而且名称必须是xpdfrc。如果是别的名字,即使调用pdftotext.exe时,传入-cfg xpdfrc2来告诉xpdf配置文件的名字,好像pdftotext.exe也并没有使用这个配置文件。所以为了减少误解,请您将配置文件直接命名为xpdfrc

  

修改配置文件一:

并在这个xpdfrc文件最后加上这么一段话:

多加这么一段配置:

#----- begin Chinese Simplified support package (2004-jul-27)

cidToUnicode     Adobe-GB1  C:/xpdf/chinese-simplified/Adobe-GB1.cidToUnicode

unicodeMap ISO-2022-CN     C:/PublicInstall/xpdf/chinese-simplified/ISO-2022-CN.unicodeMap

unicodeMap EUC-CN       C:/xpdf/chinese-simplified/EUC-CN.unicodeMap

unicodeMap GBK      C:/xpdf/chinese-simplified/GBK.unicodeMap

cMapDir      Adobe-GB1  C:/xpdf/chinese-simplified/CMap

toUnicodeDir                 C:/xpdf/chinese-simplified/CMap

#displayCIDFontTT   Adobe-GB1  /usr/..../gkai00mp.ttf

#----- end Chinese Simplified support package

注意Map文件的路径一定要正确。

 

修改配置文件二:

另外,配置文件中原先没有加上一个“textPageBreaks”控制。为了避免这个分页符号,我们需要在xpdfrc文件“text output control”下面加上这么一段话:

多加这么一段配置:

# If set to "yes", text extraction will  insert  page

# breaks  (form feed characters) between pages.  This

# defaults to "yes".

textPageBreaks      no

 

设置textPageBreaksno的意思是:在PDF文档的两页之间不加入分页符号。

之所以这样,是因为这个符号有时候会引起SAX解析XML上的困难。

 

修改配置文件三:

配置文件中原先把textEncoding注释了。这样默认的字符集是Latin1。我们必须打开它,并且就是指定textEncodingUTF-8,而不是GB2312

调用示范

下面的代码,演示了利用xpdf工具集中的pdftotext应用程序读取test.pdf的从第100个字符到第300个字符。给pdftotext.exe的运行参数中,“"-q"”指的是不打印转换中的错误提示;“"-cfg", "xpdfrc"”指的是采用配置文件xpdfrc

代码示范:

String PATH_TO_XPDF="C:\\xpdf\\pdftotext.exe";

               String filename="c:\\test.pdf";

                

                 int Begin = 100;

                 int End = 300;

                

                 String strResponse = "";

                

               String[] cmd = new String[]

                    { PATH_TO_XPDF,

                            "-cfg", "xpdfrc", "-q", filename, "-"};

               Process p = Runtime.getRuntime().exec(cmd);

               BufferedInputStream bis = new BufferedInputStream(p.getInputStream());

               InputStreamReader reader = new InputStreamReader(bis, "UTF-8");

 

                

                 if(Begin > 0)

                 {

                      // 跳过Begin个字符

                      reader.skip(Begin);

                 }

                  

                

                 // 本次要读取的字符数

                 int nLengthRead = End - Begin;

                 if(nLengthRead > 0)

                 {

                      // 准备好缓冲区

                     char [] buf = new char[nLengthRead];

                      // 输出到缓冲区

                     int nLengthWriteToBuffer = reader.read(buf);

                     reader.close();

                     

                      // nLengthWriteToBuffer就是当前读取到缓冲区的字符数

                      if(nLengthWriteToBuffer > 0)

                      {

                            // 只有nLengthWriteToBuffer大于0,才说明文档有内容

                            strResponse = new String(buf);

                      }

                      else

                      {

                            // 否则可能是到了文档结尾

                            strResponse = "PDF_EOF_OF_DOC";

                      }

                 }

                

               System.out.println("\t\r\n" + strResponse);

 

编写者

日期

关键词

郑昀@ultrapower

2005-8-2

Java PDF xpdf

 

posted @ 2005-08-03 15:26  旁观者  阅读(10274)  评论(19编辑  收藏  举报