Java用xpdf库获取pdf文件的指定范围文本内容

简介: Java用xpdf库获取pdf文件的指定范围文本内容

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。

从Java中调用xpdf,我们参照了《Java抽取Word,PDF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3的Win32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C盘xpdf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textPageBreaks为no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textEncoding为UTF-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);

//代码效果参考:http://www.zidongmutanji.com/bxxx/256070.html

编写者

日期

关键词

郑昀@ultrapower

2005-8-2

Java PDF xpdf

相关文章
|
2天前
|
JavaScript Java
Java 将Markdown文件转换为Word和PDF文档
【7月更文挑战第5天】Java中使用`Spire.Doc for Java`库可方便地将Markdown转换为Word或PDF。基本步骤包括导入模块,创建`Document`对象,加载Markdown文件,然后保存为目标格式(`.docx`或`.pdf`)。若遇到`Invalid UTF-8 stream`错误,需确保Markdown文件是UTF-8无BOM编码。页面设置可通过`PageSetup`类调整。注意,实际应用会依据具体需求和环境有所调整。
|
2天前
|
关系型数据库 MySQL Java
|
19天前
|
存储 算法 搜索推荐
Java中的数组函数库及其使用技巧
Java中的数组函数库及其使用技巧
|
15天前
|
Java API Apache
如何在Java中实现PDF生成
如何在Java中实现PDF生成
|
16天前
|
JavaScript 数据库
文本,在线浏览PDF,一个最简单的文档标准样式,文档预览非常简单的样式,文档管理样式设计,标准,好的设计
文本,在线浏览PDF,一个最简单的文档标准样式,文档预览非常简单的样式,文档管理样式设计,标准,好的设计
|
17天前
|
Java API 开发者
Java中的文件I/O操作详解
Java中的文件I/O操作详解
|
6天前
|
前端开发 Python
我们从`reportlab.pdfgen`模块中导入了`canvas`。这个模块提供了创建PDF文件所需的基本功能。
我们从`reportlab.pdfgen`模块中导入了`canvas`。这个模块提供了创建PDF文件所需的基本功能。
|
15天前
|
Java Redis 数据安全/隐私保护
Redis13的Java客户端-Jedis快速入门,建立连接的写法,ip地址,设置密码密码,选择库的写法
Redis13的Java客户端-Jedis快速入门,建立连接的写法,ip地址,设置密码密码,选择库的写法
|
16天前
|
Java
Java之file,创建文件,File f1 = new File(“E:\\itcast\\java.txt“),先f1定路径,在f1.createNewFile()就能够创建文件,mkdir目录
Java之file,创建文件,File f1 = new File(“E:\\itcast\\java.txt“),先f1定路径,在f1.createNewFile()就能够创建文件,mkdir目录
|
17天前
|
Java API Apache
如何在Java中实现PDF生成
如何在Java中实现PDF生成