如何使用Java读取PDF文件？

Question

我想使用Java从PDF文件中读取一些文本数据。我怎样才能做到这一点？

Answer 1

PDFBox是我为此找到的最好的库，它是全面的，如果您只是在进行基本文本提取，那么它确实非常易于使用。示例可以在这里找到。

它在页面上对此进行了解释，但要注意的一件事是，使用setStartPage（）和setEndPage（）时的开始索引和结束索引都包含在内。我第一次绕过了这个解释，然后花了我一段时间才意识到为什么每次打电话我回头一页以上！

Itext是另一种也可以与C＃一起使用的替代方法，尽管我个人从未使用过它。它比PDFBox级别低，因此如果您只需要基本文本提取，则不太适合该工作。

Answer 2

PDFBox包含用于文本提取的工具。

iText对文本操作提供了更底层的支持，但是您必须编写大量代码才能提取文本。

iText in Action很好地概述了从PDF提取文本的局限性，而与使用的库无关（第18.2节：提取和编辑文本），以及令人信服的解释，说明了为什么该库不支持文本提取。简而言之，编写处理简单情况的代码相对容易，但是从总体上来说，从PDF中提取文本基本上是不可能的。