web-dev-qa-db-ja.com

Apache PDFBoxを使用してPDFファイルからテキストを抽出する方法

Apache PDFBoxで指定されたPDFファイルからテキストを抽出したいと思います。

私はこのコードを書きました：

_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);
_

ただし、次のエラーが発生しました。

_Exception in thread "main" Java.lang.NullPointerException
at org.Apache.fontbox.afm.AFMParser.main(AFMParser.Java:304)
_

クラスパスにpdfbox-1.8.5.jarとfontbox-1.8.5.jarを追加しました。

編集

プログラムの先頭にSystem.out.println("program starts");を追加しました。

実行した後、上記と同じエラーが発生し、_program starts_がコンソールに表示されませんでした。

したがって、クラスパスなどに問題があると思います。

ありがとうございました。

javapdfbox
26
Benben

私はあなたのコードを実行し、それは適切に機能しました。たぶんあなたの問題はあなたがファイルに与えたFilePathに関連しているでしょう。 PDFをCドライブに入れ、ファイルパスをハードコーディングしました。ここに私のコードがあります：

// 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[]) throws IOException {
        PDFTextStripper pdfStripper = null;
        PDDocument pdDoc = null;
        File file = new File("C:/my.pdf");
        PDFParser parser = new PDFParser(new FileInputStream(file));
        parser.parse();
        try (COSDocument 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);
        }
    }
}
34
Emad

PDFBox 2.0.7を使用すると、PDFのテキストを取得する方法は次のとおりです。

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

次のように呼び出します。

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

ユーザーoivemariaがコメントで尋ねたので：

build.gradleの依存関係に追加することにより、アプリケーションでPDFBoxを使用できます。

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

詳細はこちら Gradleを使用した依存関係管理。

解析されたテキストでPDFの形式を保持する場合は、 PDFLayoutTextStripper を試してください。

35
Matthias Braun

PdfBox 2.0.3にもコマンドラインツールがあります。

  1. Jarファイルをダウンロードする
  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
4
sonus21

Maven dep：

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

次に、pdfテキストを文字列として取得する機能。

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;
}
1
SüniÚr

これは、pdfbox 2.0.6を使用してテキストコンテンツを含むPDFファイルからデータを抽出するのに正常に機能します

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;
   }
}
0
Sunil K Chaudhary