java - ejemplo - Cómo extraer texto de un archivo PDF con Apache PDFBox

pdfbox jar java

Question

Me gustaría extraer texto de un archivo PDF dado con Apache PDFBox.

Escribí este código:

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);

Sin embargo, tengo el siguiente error:

Exception in thread "main" java.lang.NullPointerException
at org.apache.fontbox.afm.AFMParser.main(AFMParser.java:304)

Agregué pdfbox-1.8.5.jar y fontbox-1.8.5.jar a la ruta de clase.

Editar

System.out.println("program starts"); Al inicio del programa.

Lo ejecuté, luego obtuve el mismo error que se mencionó anteriormente y el program starts no apareció en la consola.

Por lo tanto, creo que tengo un problema con la ruta de clase o algo así.

Gracias.

Answer 1

Ejecuté tu código y funcionó correctamente. Tal vez su problema esté relacionado con FilePath que ha asignado al archivo. Puse mi pdf en la unidad C y codifiqué la ruta del archivo. Aquí está mi código:

// 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[]) {
PDFTextStripper pdfStripper = null;
PDDocument pdDoc = null;
COSDocument cosDoc = null;
File file = new File("C:/my.pdf");
try {
// PDFBox 2.0.8 require org.apache.pdfbox.io.RandomAccessRead
// RandomAccessFile randomAccessFile = new RandomAccessFile(file, "r");
// PDFParser parser = new PDFParser(randomAccessFile);
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);
} catch (IOException e) {
// TODO Auto-generated catch block
e.printStackTrace();
}
}
}

Answer 2

Esto funciona bien para extraer datos de un archivo PDF que tiene contenido de texto usando pdfbox 2.0.6

import java.io.File;
import java.io.IOException;
import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.text.PDFTextStripper;
import org.apache.pdfbox.text.PDFTextStripperByArea;
public class PDFTextExtractor {
public static void main(String[] args) throws IOException {
System.out.println(readParaFromPDF("C://sample1.pdf",3, "Enter Start Text Here", "Enter Ending Text Here"));
//Enter FilePath, Page Number, StartsWith, EndsWith
}
public static String readParaFromPDF(String pdfPath, int pageNo, String strStartIndentifier, String strEndIdentifier) {
String returnString = "";
try {
PDDocument document = PDDocument.load(new File(pdfPath));
document.getClass();
if (!document.isEncrypted()) {
PDFTextStripperByArea stripper = new PDFTextStripperByArea();
stripper.setSortByPosition(true);
PDFTextStripper tStripper = new PDFTextStripper();
tStripper.setStartPage(pageNo);
tStripper.setEndPage(pageNo);
String pdfFileInText = tStripper.getText(document);
String strStart = strStartIndentifier;
String strEnd = strEndIdentifier;
int startInddex = pdfFileInText.indexOf(strStart);
int endInddex = pdfFileInText.indexOf(strEnd);
returnString = pdfFileInText.substring(startInddex, endInddex) + strEnd;
}
} catch (Exception e) {
returnString = "No ParaGraph Found";
}
return returnString;
}
}

Answer 3

Maven dep:

 <dependency>
<groupId>org.apache.pdfbox</groupId>
<artifactId>pdfbox</artifactId>
<version>2.0.9</version>
</dependency>

Luego la función para obtener el texto pdf como String.

private static String readPDF(File pdf) throws InvalidPasswordException, IOException {
try (PDDocument document = PDDocument.load(pdf)) {
document.getClass();
if (!document.isEncrypted()) {
PDFTextStripperByArea stripper = new PDFTextStripperByArea();
stripper.setSortByPosition(true);
PDFTextStripper tStripper = new PDFTextStripper();
String pdfFileInText = tStripper.getText(document);
// System.out.println("Text:" + st);
// split by whitespace
String lines[] = pdfFileInText.split("//r?//n");
List<String> pdfLines = new ArrayList<>();
StringBuilder sb = new StringBuilder();
for (String line : lines) {
System.out.println(line);
pdfLines.add(line);
sb.append(line + "/n");
}
return sb.toString();
}
}
return null;
}

Answer 4

Usando PDFBox 2.0.7, así es como obtengo el texto de un PDF:

static String getText(File pdfFile) throws IOException {
PDDocument doc = PDDocument.load(pdfFile);
return new PDFTextStripper().getText(doc);
}

Llámalo así:

try {
String text = getText(new File("/home/me/test.pdf"));
System.out.println("Text in PDF: " + text);
} catch (IOException e) {
e.printStackTrace();
}

Dado que el usuario oivemaria preguntó en los comentarios:

Puede usar PDFBox en su aplicación agregándolo a sus dependencias en build.gradle :

dependencies {
compile group: ''org.apache.pdfbox'', name: ''pdfbox'', version: ''2.0.7''
}

Aquí hay más información sobre la gestión de dependencias utilizando Gradle.

Si desea mantener el formato PDF en el texto analizado, PDFLayoutTextStripper .

Answer 5

PDFBox 2.0.3 también tiene una herramienta de línea de comandos.

1. Descargar el archivo jar
2. java -jar pdfbox-app-2.0.3.jar ExtractText [OPTIONS] <inputfile> [output-text-file]

Options:
-password <password> : Password to decrypt document
-encoding <output encoding> : UTF-8 (default) or ISO-8859-1, UTF-16BE, UTF-16LE, etc.
-console : Send text to console instead of file
-html : Output in HTML format instead of raw text
-sort : Sort the text before writing
-ignoreBeads : Disables the separation by beads
-debug : Enables debug output about the time consumption of every stage
-startPage <number> : The first page to start extraction(1 based)
-endPage <number> : The last page to extract(inclusive)
<inputfile> : The PDF document to use
[output-text-file] : The file to write the text to