使用itext抽取pdf内容

iText是著名的开放源码的站点sourceforge的一个项目，它是一个用于生成PDF文档的一个java开源库。经过iText不只能够生成PDF或rtf的文档，并且能够将XML、Html文件转化为PDF文件。若是PDF是标记的且包含一个结构树，就能够借助于iText将PDF文档转换成XML文档（这每每取决于PDF文档是如何建立的）。另外还能够从页面中提取纯文本。iText还能够用来标识现有的PDF文档，以及对它们进行加密等。下面给出使用iText对图5.12所示的PDF转换为纯文本的方法、步骤。

（1）在Eclipse中新建一个Java工程。

（2）下载相应的iText-5.0.2.jar并放到对应的lib目录下。在工程中建立包并建立测试类，该类包含一个inspect方法用于从一个PDF中获取文本，它接受两个参数，分别是PDF文件路径和输出流，指定要提取的PDF文件的路径和读取PDF所用的输出流，好比：PDF路径为E://text.pdf。而后调用iText提供的PdfReader类和PdfTextExtractor类，将PDF格式的文本提取出来并写入txt文件中。部分代码以下：

import java.io.FileOutputStream;

import java.io.IOException;

import java.io.PrintWriter;

import com.itextpdf.text.DocumentException;

import com.itextpdf.text.pdf.PdfReader;

import com.itextpdf.text.pdf.parser.PdfTextExtractor;

public class PDF {

 

         /** The resulting text file with info about a PDF. */

    public static final String RESULT  = "d:/ceshi.txt";//存放由pdf转换成txt文件的路径。

    /**

     * Main method.

     * @param args no arguments needed

     * @throws DocumentException

     * @throws IOException

     */

    public static void main(String[] args)

        throws DocumentException, IOException {

        PrintWriter writer = new PrintWriter(new FileOutputStream(RESULT));//txt文件写入流

        String string = "E:/text.pdf";//pdf文件路径

        inspect(writer,string); //调用读取方法

        writer.close();

    }

    /**

     * Inspect a PDF file and write the info to a txt file

     * @param writer Writer to a text file

     * @param filename Path to the PDF file

     * @throws IOException

     */

    public static void inspect(PrintWriter writer, String filename)

        throws IOException {

        PdfReader reader = new PdfReader(filename); //读取pdf所使用的输出流

        int num = reader.getNumberOfPages();//得到页数

        String content = "";  //存放读取出的文档内容

        for (int i = 1; i < num; i++) {

           content += PdfTextExtractor.getTextFromPage(reader, i); //读取第i页的文档内容

                  }

       writer.write(content);//写入文件内容

        writer.flush();

    }

}