JAVA读取pdf各级标题、题号、所有内容---itext

Posted on 2021-11-08 16:27  牛奶甜了点  阅读(3704)  评论(1)  编辑  收藏  举报

首先下载iText包，地址为http://sourceforge.net/projects/itext/，最新版本为5.1.2，完整包名为iText-5.1.2.zip，解压后将得到一组jar包，我们要使用的是里面的itextpdf-5.1.2.jar。

 或者引入maven依赖：

        <dependency>
            <groupId>com.itextpdf</groupId>
            <artifactId>itextpdf</artifactId>
            <version>5.5.10</version>
        </dependency>

 

一、itext读取pdf标题和题号

在本地配置好Java编译和运行环境后，编写如下示例代码：

 1 package com.pdfcom;
 2 import java.util.ArrayList;  
 3 import java.util.HashMap;  
 4 import java.util.Iterator;  
 5 import java.util.List;  
 6    
 7 import com.itextpdf.text.pdf.PdfReader;  
 8 import com.itextpdf.text.pdf.SimpleBookmark;  
 9  /**
10   *   
11   * @author hp
12   *读取pdf各级标题 及页号
13   */
14 public class Test {  
15       
16    public static void main ( String [] args ) throws Exception {  
17      PdfReader reader = new PdfReader ( "C:\\Users\\hp\\Desktop\\新建文件夹 (2)\\一案.pdf" ) ;  
18      List<HashMap<String, Object>> list = SimpleBookmark.getBookmark ( reader ) ; 
19      for ( Iterator<HashMap<String, Object>> i = list.iterator () ; i.hasNext () ; ) {  
20      
21        showBookmark ( i.next ()) ;  
22         
23      }  
24      for ( Iterator<HashMap<String, Object>> i = list.iterator () ; i.hasNext () ; ) {  
25   
26            getPageNumbers( i.next ());  
27        }  
28   
29    }  
30  //获取标题  
31    private static void showBookmark ( HashMap<String, Object> bookmark) {   
32        System.out.println (bookmark.get ( "Title" )) ;    
33      @SuppressWarnings("unchecked")  
34     ArrayList<HashMap<String, Object>> kids =  (ArrayList<HashMap<String, Object>>) bookmark.get ( "Kids" ) ;  
35      if ( kids == null )  
36        return ;  
37      for ( Iterator<HashMap<String, Object>> i = kids.iterator () ; i.hasNext () ; ) {  
38       
39         showBookmark ( i.next ()) ;  
40      }  
41    }  
42      
43   //获取页码  
44    public static void getPageNumbers(HashMap<String, Object> bookmark) {  
45        if (bookmark == null)  
46            return;  
47          
48            if ("GoTo".equals(bookmark.get("Action"))) {  
49   
50                String page = (String)bookmark.get("Page");  
51                if (page != null) {  
52   
53                    page = page.trim();  
54   
55                    int idx = page.indexOf(' ');  
56   
57                    int pageNum;  
58   
59                    if (idx < 0){  
60   
61                        pageNum = Integer.parseInt(page);  
62                        System.out.println ("pageNum :"+ pageNum) ;      
63                    }  
64                    else{  
65               
66                        pageNum = Integer.parseInt(page.substring(0, idx));  
67                        System.out.println ("pageNum:" +pageNum) ;      
68                    }  
69                }  
70                @SuppressWarnings("unchecked")  
71             ArrayList<HashMap<String, Object>> kids =  (ArrayList<HashMap<String, Object>>) bookmark.get ( "Kids" ) ;  
72                if ( kids == null )  
73                  return ;  
74                for ( Iterator<HashMap<String, Object>> i = kids.iterator () ; i.hasNext () ; ) {  
75   
76                    getPageNumbers ( i.next ()) ;  
77                 }  
78   
79                }    
80        }  
81     
82 }

二、itext读取pdf所有内容

 1 package com.pdfcom;
 2 
 3 import java.io.IOException;
 4 import java.net.URL;
 5 
 6 import com.itextpdf.text.pdf.PdfReader;
 7 import com.itextpdf.text.pdf.parser.PdfTextExtractor;
 8 
 9 /**
10  * 
11  * @author hp
12  *读取pdf全部内容
13  */
14 public class TestAll {
15 
16     public static void main(String[] args) throws IOException {
17         
18         URL url=new URL("file:/C:\\Users\\hp\\Desktop\\新建文件夹 (2)\\一案.pdf");
19         readPdf(url);//直接读全PDF面
20     }
21    
22     public static void readPdf(URL url){
23         String pageContent = "";
24         try {
25             PdfReader reader = new PdfReader(url);
26             int pageNum = reader.getNumberOfPages();
27             for(int i=1;i<=pageNum;i++){
28                 pageContent += PdfTextExtractor.getTextFromPage(reader, i);//读取第i页的文档内容
29             }
30  
31          System.out.println(pageContent);
32          
33         } catch (Exception e) {
34             e.printStackTrace();
35         }finally{
36         }
37     }
38 
39 }

 

三、读取pdf特定内容。目前itext没有提供逐行读取的方法，要想读取每行的特定内容，就用字符串截取的方法。

 1 package com.pdfcom;
 2 
 3 import java.io.IOException;
 4 import java.net.URL;
 5 import com.itextpdf.text.pdf.PdfReader;
 6 import com.itextpdf.text.pdf.parser.PdfTextExtractor;
 7 
 8 /**
 9  * 
10  * @author hp
11  *读取pdf指定内容
12  */
13 public class PdfContent {
14 
15     public static void main(String[] args) throws IOException {
16         
17         URL url=new URL("file:/C:\\Users\\hp\\Desktop\\新建文件夹 (2)\\国网京峡ECI光传输系统500kV保北站XDM1000设备停运三措一案.pdf");
18         readPdf(url);//直接读全PDF面
19      
20     }
21     
22     public static void readPdf(URL url){
23         String pageContent = "";
24         try {
25             PdfReader reader = new PdfReader(url);
26             int pageNum = reader.getNumberOfPages();
27             for(int i=1;i<=pageNum;i++){
28                 pageContent += PdfTextExtractor.getTextFromPage(reader, i);//读取第i页的文档内容
29             }
30  
31         // System.out.println(pageContent);
32             //获取工作联系人
33             int strStartIndex = pageContent.indexOf("联系人");
34             int strEndIndex = pageContent.indexOf("二、施工组织措施");
35             String a = pageContent.substring(strStartIndex, strEndIndex);
36             String b = a.substring(4);
37             System.out.println(b);
38         } catch (Exception e) {
39             e.printStackTrace();
40         }finally{
41         }
42     }
43 
44 }