[Java] 利用xpdf库获取pdf文件的指定范围文本内容
| 编写者 |
日期 |
关键词 |
| 郑昀@ultrapower |
2005-8-2 |
Java PDF xpdf |
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); |
| 编写者 |
日期 |
关键词 |
| 郑昀@ultrapower |
2005-8-2 |
Java PDF xpdf |
