今天在Nutch源碼中準備增加一個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，還是準備使用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，于是準備替換一下。由于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。對于日志組件，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，一切就緒后，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。其余的要么是null，要么是錯誤的。

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：請點這里
PDFBox 的下載地址：請點這里

本文永久更新鏈接地址：http://www.linuxidc.com/Linux/2014-06/103585.htm

轉載于:https://www.cnblogs.com/Yiutto/articles/4716094.html

總結

以上是生活随笔為你收集整理的使用PDFBox解析PDF文件的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。