PDFBox - 读取文本

在上一章中，我们了解了如何向现有的 PDF 文档添加文本。在本章中，我们将讨论如何从现有的 PDF 文档中读取文本。

从现有 PDF 文档中提取文本

提取文本是 PDF Box 库的主要功能之一。您可以使用 **PDFTextStripper** 类的 **getText()** 方法提取文本。此类从给定的 PDF 文档中提取所有文本。

以下是从现有 PDF 文档中提取文本的步骤。

步骤 1：加载现有 PDF 文档

使用 **PDDocument** 类的静态方法 **load()** 加载现有 PDF 文档。此方法接受文件对象作为参数，由于这是一个静态方法，您可以使用类名调用它，如下所示。

File file = new File("path of the document") 
PDDocument document = PDDocument.load(file);

步骤 2：实例化 PDFTextStripper 类

**PDFTextStripper** 类提供从 PDF 文档检索文本的方法，因此，实例化此类，如下所示。

PDFTextStripper pdfStripper = new PDFTextStripper();

步骤 3：检索文本

您可以使用 **PDFTextStripper** 类的 **getText()** 方法读取/检索 PDF 文档中页面的内容。为此方法，您需要将文档对象作为参数传递。此方法检索给定文档中的文本并以字符串对象的形式返回。

String text = pdfStripper.getText(document);

步骤 4：关闭文档

最后，使用 **PDDocument** 类的 **close()** 方法关闭文档，如下所示。

document.close();

示例

假设我们有一个 PDF 文档，其中包含一些文本，如下所示。

此示例演示如何从上述 PDF 文档中读取文本。在这里，我们将创建一个 Java 程序并加载名为 **new.pdf** 的 PDF 文档，该文档保存在路径 **C:/PdfBox_Examples/** 中。将此代码保存在名为 **ReadingText.java** 的文件中。

import java.io.File;
import java.io.IOException;

import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.text.PDFTextStripper;
public class ReadingText {

   public static void main(String args[]) throws IOException {

      //Loading an existing document
      File file = new File("C:/PdfBox_Examples/new.pdf");
      PDDocument document = PDDocument.load(file);

      //Instantiate PDFTextStripper class
      PDFTextStripper pdfStripper = new PDFTextStripper();

      //Retrieving text from PDF document
      String text = pdfStripper.getText(document);
      System.out.println(text);

      //Closing the document
      document.close();

   }
}

使用以下命令从命令提示符编译并执行保存的 Java 文件。

javac ReadingText.java 
java ReadingText

执行后，上述程序从给定的 PDF 文档中检索文本并显示如下。

This is an example of adding text to a page in the pdf document. we can add as many lines
as we want like this using the ShowText() method of the ContentStream class.