Java 从 PDF 文档中提取文本

从 PDF 文档中提取文本功能在各个领域都有着广泛的应用。当处理大量的 PDF 格式合同、报告和财务数据。提取 PDF 文本可以快速检索关键信息，进行数据分析；当需要将 PDF 文档内容翻译成其他语言时，可以先提取原 PDF 文档文本内容；同时从 PDF 文档中提取的文本内容可以作为数据输入的一部分，与其他系统或应用进行无缝对接。在本文中，您将学习如何使用 Spire.PDF for Java 从 PDF 文档中提取文本。

从指定页面提取所有文本
从页面矩形区域提取文本
设置简单提取选项提取文本

安装 Spire.PDF for Java

首先，您需要在 Java 程序中添加 Spire.Pdf.jar 文件作为依赖项。JAR 文件可以从此链接下载。如果您使用 Maven，则可以将以下代码添加到项目的 pom.xml 文件中，从而轻松地在应用程序中导入 JAR 文件

<repositories>
    <repository>
        <id>com.e-iceblue</id>
        <name>e-iceblue</name>
        <url>https://repo.e-iceblue.cn/repository/maven-public/</url>
    </repository>
</repositories>
<dependencies>
    <dependency>
        <groupId>e-iceblue</groupId>
        <artifactId>spire.pdf</artifactId>
        <version>11.3.5</version>
    </dependency>
</dependencies>

从指定页面提取所有文本

Spire.PDF for Java 提供的 PdfTextExtractor 类用于从可搜索的 PDF 文件中提取文本， PdfTextExtractOptions 类用于管理提取选项。在未设置特定的提取选项时，默认情况下 PdfTextExtractor.extract() 方法会从指定的页面中提取所有文本。详细的步骤如下：

创建 PdfDocument 对象。
使用 PdfDocument.loadFromFile() 方法加载 PDF 文件。
使用 PdfDocument.getPages().get() 方法获取特定的页面。
创建 PdfTextExtractor 对象。
创建 PdfTextExtractOptions 对象。
使用 PdfTextExtractor.extract() 方法从所选页面中提取文本。
将提取的文本写入 TXT 文件。

Java

import com.spire.pdf.PdfDocument;
import com.spire.pdf.PdfPageBase;
import com.spire.pdf.texts.PdfTextExtractOptions;
import com.spire.pdf.texts.PdfTextExtractor;
import java.io.IOException;
import java.nio.file.Files;
import java.nio.file.Paths;

public class ExtractTextFromPage
{
    public static void main(String[] args) throws IOException
    {
        // 创建 PdfDocument 对象
        PdfDocument doc = new PdfDocument();

        // 加载 PDF 文件
        doc.loadFromFile("input.pdf");

        // 获取第一页，遍历文档所有页便可提取文档所有文本内容
        PdfPageBase page = doc.getPages().get(0);

        // 创建PdfTextExtractor 对象
        PdfTextExtractor textExtractor = new PdfTextExtractor(page);

        // 创建PdfTextExtractOptions 对象
        PdfTextExtractOptions extractOptions = new PdfTextExtractOptions();

        // 从页面中提取文本
        String text = textExtractor.extract(extractOptions);

        // 写入到 txt 文件中
        Files.write(Paths.get("Extracted.txt"), text.getBytes());

        // 释放PdfDocument对象
        doc.dispose();
    }
}

Java 从 PDF 文档中提取文本

从页面矩形区域提取文本

使用 PdfTextExtractOptions 类下的 setExtractArea() 方法可以指定一个页面矩形区域进行 PDF 文本内容的提取。具体步骤如下：

创建 PdfDocument 对象。
使用 PdfDocument.loadFromFile() 方法加载 PDF 文件。
使用 PdfDocument.getPages().get() 方法获取特定的页面。
创建 PdfTextExtractor 对象。
创建 PdfTextExtractOptions 对象。
使用 PdfTextExtractOptions.setExtractArea() 设置页面矩形区域范围。
使用 PdfTextExtractor.extract() 方法从指定矩形区域中提取文本。
将提取的文本写入 TXT 文件。

Java

import com.spire.pdf.PdfDocument;
import com.spire.pdf.PdfPageBase;
import com.spire.pdf.texts.PdfTextExtractOptions;
import com.spire.pdf.texts.PdfTextExtractor;
import java.awt.geom.Rectangle2D;
import java.io.IOException;
import java.nio.file.Files;
import java.nio.file.Paths;

public class ExtractFromRectangleArea
{
    public static void main(String[] args) throws IOException
    {
        // 创建 PdfDocument 对象
        PdfDocument doc = new PdfDocument();

        // 加载 PDF 文件
        doc.loadFromFile("input.pdf");

        // 获取第一页，遍历文档所有页便可提取文档所有文本内容
        PdfPageBase page = doc.getPages().get(0);

        // 创建PdfTextExtractor 对象
        PdfTextExtractor textExtractor = new PdfTextExtractor(page);

        // 创建PdfTextExtractOptions 对象
        PdfTextExtractOptions extractOptions = new PdfTextExtractOptions();

        // 设置从矩形区域提取文本的选项
        Rectangle2D rectangle2D = new Rectangle2D.Float(0, 0, 841, 150);
        extractOptions.setExtractArea(rectangle2D);

        // 从页面中提取文本
        String text = textExtractor.extract(extractOptions);

        // 写入到 txt 文件中
        Files.write(Paths.get("ExtractArea.txt"), text.getBytes());

        // 释放PdfDocument对象
        doc.dispose();
    }
}

Java 从 PDF 文档中提取文本

设置简单提取选项提取文本

Spire.PDF for Java 使用上面提及的方式提取文本或设置 PdfTextExtractOptions.setSimpleExtraction(false) 提取时，产品内部是根据文本坐标位置计算排序来提取。当设置 PdfTextExtractOptions.setSimpleExtraction(true) 简单提取选项提取是根据文本在页面中绘制的逻辑顺序提取，即先绘制在页面的内容会先提取，后绘制的内容后提取，不管它的具体坐标位置。具体步骤如下：

创建 PdfDocument 对象。
使用 PdfDocument.loadFromFile() 方法加载 PDF 文件。
使用 PdfDocument.getPages().get() 方法获取特定的页面。
创建 PdfTextExtractor 对象。
创建 PdfTextExtractOptions 对象。
使用 PdfTextExtractOptions.setSimpleExtraction(true) 设置简单提取选项为 true 来提取文本。
使用 PdfTextExtractor.extract() 方法按设置选项提取文本。
将提取的文本写入 TXT 文件。

Java

import com.spire.pdf.PdfDocument;
import com.spire.pdf.PdfPageBase;
import com.spire.pdf.texts.PdfTextExtractOptions;
import com.spire.pdf.texts.PdfTextExtractor;
import java.io.IOException;
import java.nio.file.Files;
import java.nio.file.Paths;

public class ExtractUsingSimpleTextStrategy
{
    public static void main(String[] args) throws IOException
    {
        // 创建 PdfDocument 对象
        PdfDocument doc = new PdfDocument();

        // 加载 PDF 文件
        doc.loadFromFile("示例.pdf");

        // 获取第一页，遍历文档所有页便可提取文档所有文本内容
        PdfPageBase page = doc.getPages().get(0);

        // 创建PdfTextExtractor 对象
        PdfTextExtractor textExtractor = new PdfTextExtractor(page);

        // 创建PdfTextExtractOptions 对象
        PdfTextExtractOptions extractOptions = new PdfTextExtractOptions();

        // 设置简单提取选项为true来提取文本
        extractOptions.setSimpleExtraction(true);

        // 从页面中提取文本
        String text = textExtractor.extract(extractOptions);

        // 写入到 txt 文件中
        Files.write(Paths.get("SimpleExtractTrue.txt"), text.getBytes());

        // 释放PdfDocument对象
        doc.dispose();
}

Java 从 PDF 文档中提取文本

申请临时 License

如果您希望删除结果文档中的评估消息，或者摆脱功能限制，请该Email地址已收到反垃圾邮件插件保护。要显示它您需要在浏览器中启用JavaScript。获取有效期 30 天的临时许可证。