讲师中心 微信公众号

工具推荐

视频效率加速
Seko
Seko

AI短剧一键生成成片

剧云
剧云

中文短剧剧本制作平台

updream

一键生成高质量推广成片

立刻MV
立刻MV

低成本歌曲 MV、视频生成

Java中使用Apache PDFBox实现PDF文本搜索与文件操作教程

秋浩君_2535

秋浩君_2535

发布时间:2025-11-24 11:38:19

|

708人浏览过

|

来源于php中文网

原创

Java中使用Apache PDFBox实现PDF文本搜索与文件操作教程

本教程详细介绍了如何在java中利用apache pdfbox库处理pdf文件。针对直接使用`filereader`读取pdf导致的乱码问题,文章提供了正确的pdf文本提取方法,并在此基础上演示了如何高效地在pdf内容中搜索特定关键词,以及根据搜索结果对pdf文件执行复制或移动操作。内容涵盖库的引入、核心api使用及注意事项,旨在帮助开发者构建健壮的pdf处理应用。

引言:PDF文件处理的挑战

PDF(Portable Document Format)文件是一种复杂的文件格式,它以二进制形式存储文本、图像、字体等多种元素,并非简单的纯文本文件。因此,尝试使用Java标准库中的FileReader或BufferedReader等流式读取器直接处理PDF文件,通常会导致乱码、文件损坏或无法正确识别其内容。这些工具设计用于处理字符流,而PDF文件需要专门的解析器来解释其内部结构。

为了在Java中有效处理PDF文件,例如提取文本、搜索内容或修改文档,我们需要依赖专业的第三方库。Apache PDFBox是其中一个功能强大且广泛使用的开源库,它提供了丰富的API来操作PDF文档。

集成Apache PDFBox

要在您的Java项目中使用Apache PDFBox,您需要将其作为依赖项添加到项目的构建配置中。

Maven项目: 在pom.xml文件中添加以下依赖:

<dependency>
    <groupId>org.apache.pdfbox</groupId>
    <artifactId>pdfbox</artifactId>
    <version>2.0.29</version> <!-- 请使用最新稳定版本 -->
</dependency>

Gradle项目: 在build.gradle文件中添加以下依赖:

implementation 'org.apache.pdfbox:pdfbox:2.0.29' // 请使用最新稳定版本

核心:提取PDF文本内容

使用PDFBox提取PDF文本是实现文本搜索的第一步。其基本流程包括加载PDF文档、创建PDFTextStripper实例,然后调用其getText()方法。

立即学习“Java免费学习笔记(深入)”;

以下是一个简单的示例,演示如何从PDF文件中提取所有文本并打印到控制台:

javascript-typescript-typescript-scaffold
javascript-typescript-typescript-scaffold

你是 TypeScript 项目架构专家,专注于脚手架搭建生产就绪的 Node.js 和前端应用。生成包含现代工具链(pnpm、Vite、Next.js)、类型

下载
import java.io.File;
import java.io.IOException;
import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.text.PDFTextStripper;

public class PdfTextExtractor {

    public static String extractTextFromPdf(String pdfFilePath) throws IOException {
        File file = new File(pdfFilePath);
        PDDocument document = null;
        String text = "";
        try {
            // 1. 加载现有的PDF文档
            document = PDDocument.load(file);

            // 2. 实例化PDFTextStripper类
            PDFTextStripper pdfStripper = new PDFTextStripper();

            // 3. 从PDF文档中检索文本
            text = pdfStripper.getText(document);
            System.out.println("PDF文件内容已提取:
" + text.substring(0, Math.min(text.length(), 500)) + "..."); // 打印部分内容
        } finally {
            // 4. 关闭文档以释放资源
            if (document != null) {
                document.close();
            }
        }
        return text;
    }

    public static void main(String[] args) {
        String pdfPath = "D://Sample.pdf"; // 替换为您的PDF文件路径
        try {
            String extractedText = extractTextFromPdf(pdfPath);
            // System.out.println(extractedText); // 如果需要,可以打印全部文本
        } catch (IOException e) {
            System.err.println("提取PDF文本时发生错误: " + e.getMessage());
            e.printStackTrace();
        }
    }
}

在上述代码中:

  • PDDocument.load(file):用于加载一个PDF文件到内存中,返回一个PDDocument对象,代表整个PDF文档。
  • PDFTextStripper:是PDFBox提供的一个工具类,专门用于从PDDocument中提取可读的文本。
  • pdfStripper.getText(document):执行文本提取操作,返回一个包含PDF所有文本内容的字符串。
  • document.close():至关重要!在完成PDF文档处理后,务必调用此方法关闭文档并释放系统资源,防止内存泄漏或文件句柄占用。

实现PDF文本搜索与文件操作

在成功提取PDF文本后,我们可以像处理任何普通字符串一样对其进行搜索。结合文件系统操作,可以实现根据搜索结果对PDF文件进行移动或复制。

下面的示例演示了一个完整的流程:用户输入关键词,程序搜索指定PDF文件,如果找到关键词,则将该PDF文件移动到预设的目标目录。

import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.text.PDFTextStripper;

import java.io.File;
import java.io.IOException;
import java.nio.file.Files;
import java.nio.file.Path;
import java.nio.file.Paths;
import java.nio.file.StandardCopyOption;
import java.util.Scanner;

public class PdfSearchAndMove {

    /**
     * 搜索PDF文件中的关键词,如果找到则将文件移动到指定目录。
     *
     * @param pdfFilePath     待处理的PDF文件路径
     * @param targetDirectory 目标目录路径
     * @param searchWord      待搜索的关键词
     * @return 如果找到关键词并成功移动文件,则返回true;否则返回false。
     * @throws IOException 文件读写或PDF处理异常
     */
    public static boolean searchAndMovePdf(String pdfFilePath, String targetDirectory, String searchWord) throws IOException {
        File pdfFile = new File(pdfFilePath);
        if (!pdfFile.exists() || !pdfFile.isFile()) {
            System.err.println("错误:PDF文件不存在或不是有效文件:" + pdfFilePath);
            return false;
        }

        PDDocument document = null;
        try {
            // 1. 加载PDF文档
            document = PDDocument.load(pdfFile);

            // 2. 实例化PDFTextStripper以提取文本
            PDFTextStripper pdfStripper = new PDFTextStripper();
            String text = pdfStripper.getText(document);

            // 3. 搜索关键词 (不区分大小写)
            if (text.toLowerCase().contains(searchWord.toLowerCase())) {
                System.out.println("在文件 '" + pdfFile.getName() + "' 中找到了关键词 '" + searchWord + "'。");

                // 4. 定义目标路径
                Path sourcePath = pdfFile.toPath();
                Path destinationDir = Paths.get(targetDirectory);
                Files.createDirectories(destinationDir); // 确保目标目录存在
                Path destinationPath = destinationDir.resolve(pdfFile.getName()); // 目标文件保持原名

                // 5. 移动文件
                // StandardCopyOption.REPLACE_EXISTING 表示如果目标文件已存在则替换
                Files.move(sourcePath, destinationPath, StandardCopyOption.REPLACE_EXISTING);
                System.out.println("文件已成功移动到:" + destinationPath);
                return true;
            } else {
                System.out.println("在文件 '" + pdfFile.getName() + "' 中未找到关键词 '" + searchWord + "'。");
                return false;
            }
        } finally {
            // 确保PDF文档被关闭,释放资源
            if (document != null) {
                document.close();
            }
        }
    }

    public static void main(String[] args) {
        Scanner scanner = new Scanner(System.in);
        System.out.println("请输入您要搜索的关键词 (输入'Exit'退出):");

        // 示例文件路径和目标目录,请根据实际情况修改
        String pdfFilePath = "C:\Users\user012\Desktop\Evalution.pdf";
        String targetDir = "C:\Users\user012\Desktop\Search";

        while (scanner.hasNextLine()) {
            String searchWord = scanner.nextLine().trim(); // 读取并去除首尾空格
            if ("Exit".equalsIgnoreCase(searchWord)) {
                break;
            }

            if (searchWord.isEmpty()) {
                System.out.println("关键词不能为空,请重新输入或输入'Exit'退出:");
                continue;
            }

            try {
                searchAndMovePdf(pdfFilePath, targetDir, searchWord);
            } catch (IOException e) {
                System.err.println("处理PDF文件时发生错误:" + e.getMessage());
                // 在生产环境中,建议使用日志框架记录详细错误信息
            }

            System.out.println("
请输入下一个关键词 (输入'Exit'退出):");
        }
        scanner.close();
        System.out.println("程序结束。");
    }
}

在searchAndMovePdf方法中:

  • 我们首先检查PDF文件是否存在。
  • PDDocument.load(pdfFile)和pdfStripper.getText(document)用于提取文本。
  • text.toLowerCase().contains(searchWord.toLowerCase()) 执行不区分大小写的关键词搜索。
  • Files.createDirectories(destinationDir) 确保目标目录存在,如果不存在则创建。
  • Files.move(sourcePath, destinationPath, StandardCopyOption.REPLACE_EXISTING) 用于移动文件。StandardCopyOption.REPLACE_EXISTING 选项表示如果目标位置已存在同名文件,则替换它。如果仅需复制而不删除源文件,可以使用Files.copy()。
  • finally 块确保 document.close() 即使在发生异常时也能被调用,这是良好的资源管理实践。

注意事项

  1. 资源管理: 始终确保在处理完PDDocument对象后调用document.close()。这会释放文件句柄和内存,避免资源泄漏。
  2. 异常处理: PDF文件处理过程中可能会发生IOException,例如文件不存在、权限不足或PDF文件损坏。务必捕获并妥善处理这些异常。
  3. PDF文件类型:
    • 扫描件PDF: 如果PDF文件是由扫描图像生成的,其中不包含可选择的文本层,PDFTextStripper将无法提取任何文本。对于这类文件,需要结合OCR(光学字符识别)技术才能提取文本。
    • 加密PDF: 如果PDF文件受到密码保护,您需要提供密码才能加载和处理它。PDDocument.load(file, password)方法可以用于加载加密文档。
    • 复杂布局/表单: 对于包含复杂布局、多列、表格或交互式表单的PDF,PDFTextStripper提取的文本顺序可能不完全符合视觉阅读顺序,这需要更高级的文本提取策略。
  4. 性能: 对于非常大的PDF文件,文本提取过程可能会消耗较多的时间和内存。在处理大规模PDF时,需要考虑性能优化和分批处理。
  5. 文件操作原子性: Files.move() 通常是一个原子操作,它比先复制再删除源文件更安全和高效。
  6. 编码问题: PDFBox通常能很好地处理各种字符编码,但在极少数情况下,如果PDF内部字体编码有问题,可能会导致某些特殊字符显示不正确。

总结

通过Apache PDFBox库,Java开发者可以轻松而专业地处理PDF文件,克服了直接读取二进制文件带来的挑战。本教程详细介绍了从引入依赖、核心文本提取到根据搜索结果执行文件移动的完整流程。掌握这些基本操作,您将能够构建出更加强大和健壮的PDF处理应用程序。在实际开发中,请务必注意资源管理、异常处理以及PDF文件的多样性,以确保程序的稳定性和可靠性。

相关文章

极轻PDF
极轻PDF

专业的在线PDF工具,支持PDF编辑、转换、合并、压缩等多种功能,操作简单,处理高效,满足日常办公与学习中的PDF处理需求。

下载

本站声明:本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系admin@php.cn

热门AI工具

更多
墨刀AI
墨刀AI Hot

一款AI图像与设计工具,主要用于产品经理的专属智能体,适合需要提升相关任务效率的用户。

讯飞智作

讯飞智作是一款AI视频创作工具,AI文本配音工具,数字人课程、营销视频制作。

DeepSeek

DeepSeek是一款面向对话、写作、编程和推理场景的AI大模型工具。

豆包大模型

豆包大模型是一款由字节跳动推出的企业级大语言模型服务平台。

花生AI
花生AI Hot

一款AI视频创作工具,主要用于B站推出的AI视频创作工具,适合需要提升相关任务效率的用户。

WorkBuddy

一款AI办公效率工具,主要用于腾讯云推出的AI原生桌面智能体工作台,适合需要提升相关任务效率的用户。

UpDream
UpDream Hot

一款AI视频创作工具,主要用于哔哩哔哩推出的自研AI视频创作工具,适合需要提升相关任务效率的用户。

码上飞
码上飞 Hot

一款基于自然语言的AI应用开发平台,可根据用户描述自动生成应用程序,帮助个人和团队快速完成应用原型与开发。

音述AI
音述AI Hot

一款AI音频处理工具,主要用于音述AI是一个以“用声音述说故事”为核心的 AI 音乐创作与声音分享社区,适合需要提升相关任务效率的用户。

相关专题

更多
Java Maven专题
Java Maven专题

本专题聚焦 Java 主流构建工具 Maven 的学习与应用,系统讲解项目结构、依赖管理、插件使用、生命周期与多模块项目配置。通过企业管理系统、Web 应用与微服务项目实战,帮助学员全面掌握 Maven 在 Java 项目构建与团队协作中的核心技能。

4820

2025.09.15

Java Maven/Gradle 构建与依赖管理合集
Java Maven/Gradle 构建与依赖管理合集

系统讲解 Java 项目构建工具的使用与进阶配置,涵盖 Maven 的 POM 文件结构、生命周期(clean/compile/package/install/deploy)与插件机制、依赖范围(compile/provided/test/runtime)与传递依赖管理、多模块聚合与继承、私有 Nexus 仓库发布,以及 Gradle 的 Groovy / Kotlin DSL 语法、Task 自定义与增量构建、依赖版本目录(Versi

409

2026.05.09

format在python中的用法
format在python中的用法

Python中的format是一种字符串格式化方法,用于将变量或值插入到字符串中的占位符位置。通过format方法,我们可以动态地构建字符串,使其包含不同值。php中文网给大家带来了相关的教程以及文章,欢迎大家前来阅读学习。

1889

2023.07.31

python中的format是什么意思
python中的format是什么意思

python中的format是一种字符串格式化方法,用于将变量或值插入到字符串中的占位符位置。通过format方法,我们可以动态地构建字符串,使其包含不同值。本专题为大家提供相关的文章、下载、课程内容,供大家免费下载体验。

1231

2024.06.27

pdf怎么转换成xml格式
pdf怎么转换成xml格式

将 pdf 转换为 xml 的方法:1. 使用在线转换器;2. 使用桌面软件(如 adobe acrobat、itext);3. 使用命令行工具(如 pdftoxml)。本专题为大家提供相关的文章、下载、课程内容,供大家免费下载体验。

5224

2024.04.01

xml怎么变成word
xml怎么变成word

步骤:1. 导入 xml 文件;2. 选择 xml 结构;3. 映射 xml 元素到 word 元素;4. 生成 word 文档。提示:确保 xml 文件结构良好,并预览 word 文档以验证转换是否成功。想了解更多xml的相关内容,可以阅读本专题下面的文章。

6777

2024.08.01

xml是什么格式的文件
xml是什么格式的文件

xml是一种纯文本格式的文件。xml指的是可扩展标记语言,标准通用标记语言的子集,是一种用于标记电子文件使其具有结构性的标记语言。想了解更多相关的内容,可阅读本专题下面的相关文章。

2662

2024.11.28

js 字符串转数组
js 字符串转数组

js字符串转数组的方法:1、使用“split()”方法;2、使用“Array.from()”方法;3、使用for循环遍历;4、使用“Array.split()”方法。本专题为大家提供js字符串转数组的相关的文章、下载、课程内容,供大家免费下载体验。

1958

2023.08.03

Go-Zero API开发使用教程
Go-Zero API开发使用教程

本专题聚焦Go-Zero的API开发,拆解.api描述文件的语法结构、路由与分组定义、参数绑定与校验规则,说明统一响应体、JWT鉴权、跨域与接口文档生成的落地方式,并给出网关聚合与接口测试的实践建议。

140

2026.11.12

热门下载

更多
网站特效
/
网站源码
/
网站素材
/
前端模板

精品课程

更多
相关推荐
/
热门推荐
/
最新课程
dev.java 官方:Learn Java
dev.java 官方:Learn Java

共0课时 | 0人学习

Java JDBC数据库连接官方教程
Java JDBC数据库连接官方教程

共0课时 | 0人学习

关于我们 免责申明 举报中心 意见反馈 讲师合作 广告合作 最新更新
php中文网:公益在线php培训,帮助PHP学习者快速成长!
关注服务号
PHP中文网订阅号
每天精选资源文章推送

Copyright 2014-2026 https://www.php.cn/ All Rights Reserved | php.cn