testpdf.java

将原有的PDF文件解析为txt格式的文件

package com.test.pdf;

import java.io.File;
import java.io.FileOutputStream;
import java.io.OutputStreamWriter;
import java.io.Writer;
import java.net.MalformedURLException;
import java.net.URL;

import org.pdfbox.pdmodel.PDDocument;
import org.pdfbox.util.PDFTextStripper;

public class TestPDF {

	public void getText(String file) throws Exception {
		boolean sort = false;
		String pdfFile = file;
		String textFile = null;
		String encoding = "UTF-8";
		int startPage = 1;
		int endPage = Integer.MAX_VALUE;
		Writer outPut = null;
		PDDocument document = null;

		try {
			try {
				// 首先当作一个URL来装载文件，如果得到异常再从本地文件系统去装载文件
				URL url = new URL(pdfFile);
				document = PDDocument.load(url);
				// 获取PDF文件名
				String fileName = url.getFile();

				// 以原来PDF的名称来命名新产生的txt文件
				if (fileName.length() > 4) {
					File outputFile = new File(fileName.substring(0, fileName
							.length() - 4)
							+ ".txt");
					textFile = outputFile.getName();

				}
			} catch (MalformedURLException e) {
				// 如果作为URL装载得到异常则从文件系统装载
				document = PDDocument.load(pdfFile);
				if (pdfFile.length() > 4) {
					textFile = pdfFile.substring(0, pdfFile.length() - 4)
							+ ".txt";
					System.out.println(textFile);
				}
			}
			// 文件输入流，写入文件到textFile
			outPut = new OutputStreamWriter(new FileOutputStream(textFile),
					encoding);
			// 用PDFTextStripper来提取文本
			PDFTextStripper stripper = new PDFTextStripper();
			// 设置是否排序
			stripper.setSortByPosition(sort);
			// 设置起始页
			stripper.setStartPage(startPage);
			// 设置结束页
			stripper.setEndPage(endPage);
			// 调用PDFTextStripper的WriterText提取并输出文本
			stripper.writeText(document, outPut);
		} finally {
			if (outPut != null) {
				outPut.close();
			}
			if (document != null) {
				document.close();
			}
		}

	}
	
	public  static void main(String[] args){
		TestPDF pdftest=new TestPDF();
		try{
			pdftest.getText(".\\generics-tutorial.pdf");
		}catch(Exception e){
			e.printStackTrace();
		}
	}


}