如何使用Apache PDFBox从PDF文件中提取文本
我想用Apache PDFBox从给定的PDF文件中提取文本。
我写了这段代码：
PDFTextStripper pdfStripper = null;
PDDocument pdDoc = null;
COSDocument cosDoc = null;
File file = new File(filepath);
PDFParser parser = new PDFParser(new FileInputStream(file));
parser.parse();
cosDoc = parser.getDocument();
pdfStripper = new PDFTextStripper();
pdDoc = new PDDocument(cosDoc);
pdfStripper.setStartPage(1);
pdfStripper.setEndPage(5);
String parsedText = pdfStripper.getText(pdDoc);
System.out.println(parsedText);但是，我得到了以下错误：
Exception in thread "main" java.lang.NullPointerException
at org.apache.fontbox.afm.AFMParser.main(AFMParser.java:304)我将pdfbox-1.8.5.jar和fontbox-1.8.5.jar添加到类路径中。
编辑
我在程序的开头添加了System.out.println("program starts");。
我运行了它，然后我得到了上面提到的相同的错误，并且program starts没有出现在控制台中。
因此，我想我遇到了类路径之类的问题。
谢谢。
回答 5
Stack Overflow用户
发布于 2014-05-23 02:53:12
我执行了你的代码，它工作正常。也许您的问题与您提供给文件的FilePath有关。我把我的pdf放在C盘上，并硬编码了文件路径。下面是我的代码：
// PDFBox 2.0.8 require org.apache.pdfbox.io.RandomAccessRead
// import org.apache.pdfbox.io.RandomAccessFile;
public class PDFReader{
public static void main(String args[]) throws IOException {
PDFTextStripper pdfStripper = null;
PDDocument pdDoc = null;
File file = new File("C:/my.pdf");
PDFParser parser = new PDFParser(new FileInputStream(file));
parser.parse();
try (COSDocument cosDoc = parser.getDocument()) {
pdfStripper = new PDFTextStripper();
pdDoc = new PDDocument(cosDoc);
pdfStripper.setStartPage(1);
pdfStripper.setEndPage(5);
String parsedText = pdfStripper.getText(pdDoc);
System.out.println(parsedText);
}
}
}Stack Overflow用户
发布于 2016-08-07 01:13:54
使用PDF2.0.7，这是我获取PDFBox文本的方法：
static String getText(File pdfFile) throws IOException {
PDDocument doc = PDDocument.load(pdfFile);
return new PDFTextStripper().getText(doc);
}这样叫它：
try {
String text = getText(new File("/home/me/test.pdf"));
System.out.println("Text in PDF: " + text);
} catch (IOException e) {
e.printStackTrace();
}因为用户oivemaria在评论中问：
您可以通过将PDFBox添加到build.gradle中的依赖项来在应用程序中使用它
dependencies {
compile group: 'org.apache.pdfbox', name: 'pdfbox', version: '2.0.7'
}使用Gradle进行依赖管理的Here's more。
如果你想在解析后的文本中保留PDF的格式，可以试试PDFLayoutTextStripper。
Stack Overflow用户
发布于 2016-11-27 22:31:24
PdfBox 2.0.3也有一个命令行工具。
下载jar文件
java -jar pdfbox-app-2.0.3.jar ExtractText [OPTIONS] <inputfile> [output-text-file]
的
选项：-password :用于解密文档的密码-encoding : UTF-8 (默认)或ISO-8859-1、UTF-16BE、UTF-16LE、-console :将文本而不是文件发送到控制台-html :以HTML格式输出而不是原始文本-sort :在编写之前对文本进行排序-ignoreBeads :禁用按珠子分隔-debug :启用调试输出有关每个阶段的时间消耗-startPage：开始提取的第一页(从1开始) -endPage :要提取的最后一页(包括)：要使用output- text -file的PDF文档:要将文本写入
的文件
https://stackoverflow.com/questions/23813727
复制相似问题