使用PDFBox解析PDF文件

林伯海

今天在Nutch源码中准备增加一个PDF处理方面的功能，其中要做的一步是提取出PDF文档中的文本信息。考虑了一下，还是准备使用PDFBox。看了一下，Nutch源码中的parse-tika插件下有一个PDFBox，不过是1.1.0版本，很多PDF文档都处理不了。现在官网上最新的版本已经是1.6.0了，于是准备替换一下。由于自己不喜欢看英文说明，在弄的时候倒是费了一番周折。

我一开始只下载了pdfbox-1.6.0.jar，替换了老版本的jar包，程序报错。无奈之下，仔细看了一下官方文档。PDFBox的官网（http://pdfbox.apache.org/）上的depandencies一栏中明确指出了使用PDFBox所需的组件及其关联。PDFBox共有三个主要组件，除了上面的pdfbox-1.6.0.jar，还有fontbox-1.6.0.jar与jempbox-1.6.0.jar，此外还需要一个日志处理的commons-logging组件。对于日志组件，Nutch中本来就有，是commons-logging-1.0.4.jar和

commons-logging-api-1.0.4.jar，如果你在自己的应用程序中使用PDFBox，就需要上面这五个jar包（日志组件是两个jar包）。

当然，官网上为了方便用户使用，还提供了一个集成的jar包：pdfbox-app-1.6.0.jar，如果使用该jar包，就不再需要其他的了。

使用PDFBox处理PDF文档 http://www.linuxidc.com/Linux/2014-06/103584.htm

OK，一切就绪后，就开始提取文本信息。提取文本信息的代码比较简单，网上也有许多。示例如下：

PDDocument doc = PDDocument.load("D:/331.pdf");

PDFTextStripper stripper = new PDFTextStripper();

String text = stripper.getText(doc);

String title = stripper.getTitle(doc);

这是从本地读取pdf文件，如果是从网络上，你首先会得到文件的一个InputStream对象（假设名为stream），代码如下：

PDDocument doc = new PDDocument();

PDFParser parser = new PDFParser(stream);

parser.parse();

doc = parser.getPDDocument();

PDFTextStripper stripper = new PDFTextStripper();

String text = stripper.getText(doc);

String title = stripper.getTitle(doc);

但要说明;

(1)    PDFBox对某些格式的pdf文件是提取不出来的，但大部分都可以。

(2)    PDFTextStripper尝试提取出更多的信息，比如标题，摘要等；但不要过多指望该类，只有那些规范的PDF文档（论文那种），才可以提取出来。其余的要么是null，要么是错误的。

PDFBox还有很多其他的功能，比如试着解码等，如果需要，就去研究API吧……