Java案例怎么解析PDF文件？

本文目录导读：

1. 主流库对比
2. 环境准备：Maven依赖
3. 核心案例实战
4. 进阶技巧与注意事项

在Java中解析PDF文件，有多种成熟的第三方库可供选择，最主流的方案包括 Apache PDFBox、iText（注意版本和许可）以及 PDFjet。

以下是基于 Apache PDFBox（免费、开源、功能全面）的详细案例解析。

主流库对比

推荐：如果您是个人学习或企业内训（无商业分发），使用 PDFBox 最稳妥。

环境准备：Maven依赖

在你的 pom.xml 中添加 PDFBox 依赖：

<!-- Apache PDFBox -->
<dependency>
    <groupId>org.apache.pdfbox</groupId>
    <artifactId>pdfbox</artifactId>
    <version>3.0.3</version> <!-- 建议使用最新稳定版 -->
</dependency>

注意：如果只需要提取文本，上述依赖即可，如果需要处理图片，可能还需要添加 jai-imageio-core 等依赖。

核心案例实战

假设我们有一个 sample.pdf 文件，包含以下内容：员工薪资报告

• 表格数据：姓名、基本薪资、绩效
• 一个Logo图片

案例1：提取纯文本内容（最基础）

import org.apache.pdfbox.Loader;
import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.text.PDFTextStripper;
import java.io.File;
import java.io.IOException;
public class PdfTextExtractor {
    public static void main(String[] args) {
        String filePath = "path/to/your/sample.pdf";
        try (PDDocument document = Loader.loadPDF(new File(filePath))) {
            // 判断文档是否加密
            if (document.isEncrypted()) {
                System.out.println("PDF文件已加密，需要密码才能打开。");
                // 尝试解密：document.openProtection(new StandardDecryptionMaterial("password"));
                return;
            }
            // 创建文本剥离器
            PDFTextStripper stripper = new PDFTextStripper();
            // 可选：设置页码范围（默认全部）
            stripper.setStartPage(1);
            stripper.setEndPage(document.getNumberOfPages());
            // 提取文本
            String text = stripper.getText(document);
            System.out.println("=== 提取的内容 ===");
            System.out.println(text);
        } catch (IOException e) {
            System.err.println("读取PDF时出错：" + e.getMessage());
            e.printStackTrace();
        }
    }
}

常见问题：

• 如果提取出来的文本乱码，通常是PDF内嵌字体问题，PDFBox会尽量解析,但某些定制字体可能无法完美提取。
• 如果PDF是扫描件（图片），PDFBox无法提取文字，这种情况需要使用 OCR。

案例2：提取表格数据（重点难点）

PDF内部没有“表格”这个概念（只有文本和线条），要提取表格数据，需要结合坐标位置判断。

import org.apache.pdfbox.Loader;
import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.text.PDFTextStripper;
import org.apache.pdfbox.text.TextPosition;
import java.io.File;
import java.io.IOException;
import java.util.ArrayList;
import java.util.List;
public class TableExtractor extends PDFTextStripper {
    public TableExtractor() throws IOException {
        super();
    }
    public static void main(String[] args) throws IOException {
        String filePath = "path/to/your/sample.pdf";
        try (PDDocument document = Loader.loadPDF(new File(filePath))) {
            TableExtractor extractor = new TableExtractor();
            extractor.setSortByPosition(true); // 必须按位置排序
            extractor.document = document;
            // 逐页解析
            for (int page = 1; page <= document.getNumberOfPages(); page++) {
                extractor.setStartPage(page);
                extractor.setEndPage(page);
                extractor.getText(document);
            }
        }
    }
    /**
     * 重写该方法，按行处理每个字符的位置信息
     */
    @Override
    protected void writeString(String text, List<TextPosition> textPositions) throws IOException {
        // textPositions 包含了该行中每个字符的坐标 (x, y, width, height)
        // 通过判断 y 坐标变化来识别换行
        for (TextPosition pos : textPositions) {
            float x = pos.getX();      // 字符左上角X坐标
            float y = pos.getY();      // 字符左上角Y坐标
            String charUnicode = pos.getUnicode();
            System.out.printf("坐标(%.2f, %.2f) -> 字符: %s%n", x, y, charUnicode);
        }
    }
}

解析表格的逻辑：

1. 设定一个“列X坐标阈值”（50, 150, 300, 450）。
2. 对每一行（相同y值），根据字符x坐标落入哪个区间,来判断属于哪一列。
3. 组合成二维数据。

替代方案：使用专门的表格解析库 Tabula-java（基于PDFBox，专门优化表格提取）。

案例3：提取图片

import org.apache.pdfbox.Loader;
import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.pdmodel.PDPage;
import org.apache.pdfbox.pdmodel.PDResources;
import org.apache.pdfbox.pdmodel.common.PDRectangle;
import org.apache.pdfbox.pdmodel.graphics.PDXObject;
import org.apache.pdfbox.pdmodel.graphics.image.PDImageXObject;
import javax.imageio.ImageIO;
import java.awt.image.BufferedImage;
import java.io.File;
import java.io.IOException;
public class ImageExtractor {
    public static void main(String[] args) throws IOException {
        String filePath = "path/to/your/sample.pdf";
        String outputDir = "extracted_images/";
        new File(outputDir).mkdirs();
        try (PDDocument document = Loader.loadPDF(new File(filePath))) {
            int imageCounter = 1;
            for (PDPage page : document.getPages()) {
                PDResources resources = page.getResources();
                // 遍历页面上的所有XObject（包括图片、表单等）
                for (String cosName : resources.getXObjectNames()) {
                    PDXObject xobject = resources.getXObject(cosName);
                    if (xobject instanceof PDImageXObject) {
                        PDImageXObject image = (PDImageXObject) xobject;
                        BufferedImage bufferedImage = image.getImage();
                        // 保存为PNG文件
                        String fileName = String.format("image_%03d.png", imageCounter);
                        ImageIO.write(bufferedImage, "png", new File(outputDir + fileName));
                        System.out.println("已保存: " + fileName);
                        imageCounter++;
                    }
                }
            }
        }
    }
}

注意：PDF中图片可能是分割的（如大图分块渲染）,该代码会逐个保存小图片。

进阶技巧与注意事项

1. 处理加密PDF：

   import org.apache.pdfbox.pdmodel.encryption.AccessPermission;
   import org.apache.pdfbox.pdmodel.encryption.StandardDecryptionMaterial;
   // 提供密码
   document.openProtection(new StandardDecryptionMaterial("user_password"));

2. 保留排版：

   • 使用 PDFTextStripper 时，可以设置 setAddEndMark(true) 保留一些标记。
   • 如果需要高度保真排版，考虑 PDFLayoutTextStripper（社区提供，非官方）。

3. 性能优化：

   • 使用 Loader.loadPDF(file, password, memoryUsageSetting) 控制内存使用。
   • 处理超大PDF时，可以用 PDFParser 配合 RandomAccessReadBufferedFile 流式读取。

4. 乱码问题：

   • 检查PDF是否使用了 CID 字体（亚洲语言常见），PDFBox 3.x 对CJK支持较好，但特定字体仍需引入 pdfbox-fontbox。
   • 如果字符被映射为自定义编码，可以考虑提取原始字符代码：

     String unicode = pos.getUnicode(); // 可能为空
     int code = pos.getCode();          // 原始字符代码

5. 表单数据提取： PDFBox 有专门的 PDAcroForm 类处理交互式表单（AcroForm）。

   PDDocumentCatalog catalog = document.getDocumentCatalog();
   PDAcroForm acroForm = catalog.getAcroForm();
   for (PDField field : acroForm.getFields()) {
       System.out.println(field.getFullyQualifiedName() + ": " + field.getValueAsString());
   }

最佳实践：先下载 PDFBox 源码中的 examples 包（pdfbox-examples）,里面有从简单到复杂的各种官方示例。