Java实现PDF读取

在ppm.xml中引用pdfbox

<project xmlns="http://maven.apache.org/POM/4.0.0" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
  xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/xsd/maven-4.0.0.xsd">
  <modelVersion>4.0.0</modelVersion>

  <groupId>com.cicdtest</groupId>
  <artifactId>cicdtest</artifactId>
  <version>0.0.1-SNAPSHOT</version>
  <packaging>jar</packaging>

  <name>cicdtest</name>
  <url>http://maven.apache.org</url>

  <properties>
    <project.build.sourceEncoding>UTF-8</project.build.sourceEncoding>
  </properties>

  <dependencies>
    <dependency>
      <groupId>junit</groupId>
      <artifactId>junit</artifactId>
      <version>3.8.1</version>
      <scope>test</scope>
    </dependency>
    <dependency>
    <groupId>org.apache.pdfbox</groupId>
    <artifactId>pdfbox</artifactId>
    <version>2.0.26</version>
    </dependency>
  </dependencies>
  
</project>
 

package pdf.txt;

import java.io.File;
import java.io.FileInputStream;
import java.io.FileNotFoundException;
import java.io.FileOutputStream;

import org.apache.pdfbox.io.RandomAccessBufferedFileInputStream;
import org.apache.pdfbox.io.RandomAccessRead;
import org.apache.pdfbox.pdfparser.PDFParser;
import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.text.PDFTextStripper;

public class PDF {

    public static void main(String[] args){
        String path="";
        path = "D:/Project/e-Statement/estatement_pdf/2021_07_09_estatement/8000054710_est_9ec4a09254a67c1690837ef62f64f9e9.pdf";
        PDF p = new PDF();
        String content= p.Get_PDF_Content(path);
        System.out.println(content);
        p.save_result_to_txt(content);
    }

    public  String save_result_to_txt (String content) {
        String filepath="D:/PDF.txt";
        try {
            File file = new File(filepath);
            if (!file.exists()) {
                file.createNewFile();
            }
            FileOutputStream outStream = new FileOutputStream(file);
            outStream.write(content.trim().getBytes());
            outStream.close();
        } catch (Exception e) {
            e.printStackTrace();
        }
        return filepath;
    }
    
    public  String save_result_to_txt_with_path (String path) {
        String content = Get_PDF_Content(path);
        File f = new File(path);
        String folder =f.getParentFile().toString();
        String file_name =f.getName();
        String filepath=folder +"/"+file_name.replace(".pdf", ".txt");
        try {
            File file = new File(filepath);
            if (!file.exists()) {
                file.createNewFile();
            }
            FileOutputStream outStream = new FileOutputStream(file);
            outStream.write(content.trim().getBytes());
            outStream.close();
        } catch (Exception e) {
            e.printStackTrace();
        }
        return filepath;
    }
    
    public String read_PDF(String path) {
        String test = "";
        File file = new File(path);
        FileInputStream in = null;
        try {
            in =  new FileInputStream(file);
            RandomAccessRead randomAccessRead = new RandomAccessBufferedFileInputStream(in);
            PDFParser parser = new PDFParser(randomAccessRead);
            parser.parse();
            PDDocument pdDocument = parser.getPDDocument();
            PDFTextStripper stripper = new PDFTextStripper();
            test = stripper.getText(pdDocument);
            //System.out.println(test);
            
        } catch (FileNotFoundException e) {
            e.printStackTrace();
        } catch (Exception e) {
            e.printStackTrace();
        }
        return test;
    }

    public String Get_PDF_Content(String path) {
        File pdfFile = new File(path);
        PDDocument document = null;
        String content = "";
        try
        {
            // 方式一：
            /**
            InputStream input = null;
            input = new FileInputStream( pdfFile );
            //加载 pdf 文档
            PDFParser parser = new PDFParser(new RandomAccessBuffer(input));
            parser.parse();
            document = parser.getPDDocument();
             **/

            // 方式二：
            document=PDDocument.load(pdfFile);

            // 获取页码
            int pages = document.getNumberOfPages();
            // 读文本内容
            PDFTextStripper stripper=new PDFTextStripper();
            // 设置按顺序输出
            stripper.setSortByPosition(true);
            stripper.setStartPage(1);
            stripper.setEndPage(pages);
            content = stripper.getText(document);
            //System.out.println(content);     
            document.close();

            //if(content.contains("Reversal")||content.contains("refund")||content.contains("Invaild")) {
            //System.out.println("Reversal:  "+path);
            //}
        } catch (Exception e) {
            System.out.println(e);
        }

        return content;
    }

}