五分钟实现pdf分页

程序员架构进阶

发布于 2023-02-28 17:18:32

1.7K0

发布于 2023-02-28 17:18:32

背景

抱歉也开始用了这么“标题党”的标题。事情起源于前几天需要把个人资料的pdf文档一页一页的拆出来，好传到相关的网站上。直接截图到word再转pdf比较麻烦，所以想用工具直接转换。结果找了几个pdf阅读器，这类操作都需要会员或收费。作为一名程序员，这么简单的操作还要收费显然是一种羞耻（当然我是不会承认主要是因为qiong的），几分钟就可以代码解决的问题为啥要花钱呢？废话不多说，开搞。

工具准备

之前的文章Apache POI 详解及 Word 文档读取示例中，我们曾经用apache poi来实现对word文档的操作。对于pdf文件，也同样有apache的pdfbox（官网：https://pdfbox.apache.org/），和itextpdf（官网：https://itextpdf.com/）包可以使用。

PDFBox：

PDFBox 是 Java 实现的 PDF 文档协作类库，提供 PDF 文档的创建、处理以及文档内容提取功能，也包含了一些命令行实用工具。PDFBox提供的主要功能有：

从 PDF 提取文本
合并 PDF 文档
PDF 文档加密与解密
与 Lucene 搜索引擎的集成
填充 PDF/XFDF 表单数据
从文本文件创建 PDF 文档
从 PDF 页面创建图片
打印 PDF 文档

itextpdf：

iText是著名的开放源码的站点sourceforge一个项目，是用于生成PDF文档的一个java类库。通过iText不仅可以生成PDF或rtf的文档，而且可以将XML、Html文件转化为PDF文件。 iText的安装非常方便，下载iText.jar文件后，只需要在系统的CLASSPATH中加入iText.jar的路径，在程序中就可以使用iText类库了。

依赖引入

新建一个java maven工程，引入依赖包（这里使用的是itextpdf的5.5.1 和 pdfbox的2.0.15版本）：

<?xml version="1.0" encoding="UTF-8"?>
<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>org.example</groupId>
    <artifactId>pdf-test</artifactId>
    <version>1.0-SNAPSHOT</version>

    <dependencies>
        <dependency>
            <groupId>com.itextpdf</groupId>
            <artifactId>itextpdf</artifactId>
            <version>5.5.1</version>
            <type>jar</type>
        </dependency>

        <dependency>
            <groupId>org.apache.pdfbox</groupId>
            <artifactId>pdfbox</artifactId>
            <version>2.0.15</version>
        </dependency>

        <!-- https://mvnrepository.com/artifact/org.apache.pdfbox/fontbox -->
        <dependency>
            <groupId>org.apache.pdfbox</groupId>
            <artifactId>fontbox</artifactId>
            <version>2.0.15</version>
        </dependency>
        <!-- https://mvnrepository.com/artifact/org.apache.pdfbox/jempbox -->
        <dependency>
            <groupId>org.apache.pdfbox</groupId>
            <artifactId>jempbox</artifactId>
            <version>1.8.16</version>
        </dependency>
    </dependencies>

</project>

pdf文件拆分导出实现

要实现功能：输入pdf文件路径，指定起止页码，截取这几页内容并写入新的pdf文件。例如起始页码1，截止页码3，则生成一个新文件，存储原pdf文档的1-3页。

这里使用的是itextpdf，代码如下：

/**
   * 导出pdf文档中的部分页到新的pdf文件
   * @param filePath 文件路径
   * @param newFile 写入目标文件路径
   * @param from 起始页码
   * @param end 结束页码
   */
  public static void pdfToSub(String filePath, String newFile, int from, int end) {
    Document document = null;
    PdfCopy copy = null;
    try {
      PdfReader reader = new PdfReader(filePath);
      //查询pdf文档页数
      int n = reader.getNumberOfPages();
      if (end == 0) {
        end = n;
      }
      document = new Document(reader.getPageSize(1));
      copy = new PdfCopy(document, new FileOutputStream(newFile));
      document.open();
      for (int j = from; j <= end; j++) {
        document.newPage();
        PdfImportedPage page = copy.getImportedPage(reader, j);
        copy.addPage(page);
      }
      document.close();
    } catch (Exception e) {
      e.printStackTrace();
    }
  }

main函数：

String filePath = "/Users/xxxx/Downloads/数据中台- 77ebooks.com.pdf";
String newFile = "/Users/xxxx/Downloads/1-3.pdf";
pdfToSub(filePath, newFile, 1, 3);

执行后在目录下可以看到结果文件：

读取pdf文件内容

使用pdfbox的pdfparser，代码如下：

/**
   * 读取pdf文档指定页数的文本内容
   * @param fileName 文件路径及文件名
   * @param from 开始页码
   * @param end 结束页码
   * @return
   */
  public static String readPdfByPage(String fileName, int from, int end) {
    String result = "";
    File file = new File(fileName);
    FileInputStream in = null;
    try {
      in = new FileInputStream(fileName);
      // 新建PDF解析器对象
      PDFParser parser = new PDFParser(new RandomAccessFile(file,"rw"));
      // 文件解析
      parser.parse();
      // 获取解析后得到的PDF文档对象
      PDDocument pdfDocument = parser.getPDDocument();
      int size = pdfDocument.getNumberOfPages();
      // 新建PDF文本剥离器
      PDFTextStripper stripper = new PDFTextStripper();
      stripper.setSortByPosition(false); //true则按照行进行读取，默认false

      // 设置起始页
      stripper.setStartPage(from);
      // 设置结束页
      stripper.setEndPage(end);
      // 从PDF文档中读取文本
      result = stripper.getText(pdfDocument);
    } catch (Exception e) {
      e.printStackTrace();
    } finally {
      if (in != null) {
        try {
          in.close();
        } catch (IOException e1) {
          e1.printStackTrace();
        }
      }
    }
    return result;
  }

执行后输出：

示例需要需要引入的package如下：

import com.itextpdf.text.Document;
import com.itextpdf.text.pdf.PdfCopy;
import com.itextpdf.text.pdf.PdfImportedPage;
import com.itextpdf.text.pdf.PdfReader;
import org.apache.pdfbox.io.RandomAccessFile;
import org.apache.pdfbox.pdfparser.PDFParser;
import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.text.PDFTextStripper;

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