Wie man PDFs in Java parst (Entwickler-Tutorial)

Voraussetzungen

Um ein PDF-Parsing-Projekt in Java zu erstellen, benötigen Sie die folgenden Werkzeuge:

1. Java-IDE: Sie können jede Java-kompatible IDE verwenden. Für die Entwicklung stehen zahlreiche Java-IDEs zur Verfügung. In diesem Tutorial wird die IntelliJ IDE verwendet. Sie können NetBeans, Eclipse usw. verwenden.
2. Maven-Projekt: Maven ist ein Abhängigkeitsmanager und ermöglicht die Kontrolle über das Java-Projekt. Maven for Java kann von der offiziellen Maven-Website heruntergeladen werden. Die IntelliJ Java IDE hat integrierte Unterstützung für Maven.

3. IronPDF - Sie können IronPDF for Java auf verschiedene Weise herunterladen und installieren.

   • Hinzufügen der IronPDF-Abhängigkeit in die pom.xml-Datei in einem Maven-Projekt.

     <dependency>
      <groupId>com.ironsoftware</groupId>
      <artifactId>ironpdf</artifactId>
      <version>[LATEST_VERSION]</version>
     </dependency>

     <dependency>
      <groupId>com.ironsoftware</groupId>
      <artifactId>ironpdf</artifactId>
      <version>[LATEST_VERSION]</version>
     </dependency>

     XML
   • Besuchen Sie die Maven-Repository-Website für das neueste IronPDF-Paket for Java.
   • Ein direkter Download von der offiziellen Iron Software Download-Seite.
   • Manuell mit der JAR-Datei in Ihrer einfachen Java-Anwendung installieren.

4. Slf4j-Simple: Diese Abhängigkeit wird auch benötigt, um einem bestehenden Dokument Inhalte hinzuzufügen. Diese kann mit dem Maven-Abhängigkeitsmanager in IntelliJ oder direkt von der Maven-Website hinzugefügt werden. Fügen Sie die folgende Abhängigkeit zur pom.xml-Datei hinzu:

   <dependency>
       <groupId>org.slf4j</groupId>
       <artifactId>slf4j-simple</artifactId>
       <version>2.0.5</version>
   </dependency>

   <dependency>
       <groupId>org.slf4j</groupId>
       <artifactId>slf4j-simple</artifactId>
       <version>2.0.5</version>
   </dependency>

   XML

Hinzufügen der notwendigen Importe

Sobald alle Voraussetzungen installiert sind, ist der erste Schritt, die notwendigen IronPDF-Pakete zu importieren, um mit einem PDF-Dokument zu arbeiten. Fügen Sie den folgenden Code oben in die Main.java-Datei ein:

import com.ironsoftware.ironpdf.*;
import java.io.IOException;
import java.nio.file.Paths;

import com.ironsoftware.ironpdf.*;
import java.io.IOException;
import java.nio.file.Paths;

Lizenzschlüssel

Einige in IronPDF verfügbare Methoden erfordern eine Lizenz zur Nutzung. Erwerben Sie eine Lizenz oder testen Sie IronPDF kostenlos. Sie können den Schlüssel wie folgt festlegen:

License.setLicenseKey("YOUR-KEY");

License.setLicenseKey("YOUR-KEY");

Schritt 1: Parsen eines bestehenden PDF-Dokuments

Um ein bestehendes Dokument für die Inhaltsextraktion zu parsen, wird die PdfDocument-Klasse verwendet. Ihre statische fromFile-Methode wird verwendet, um eine PDF-Datei von einem bestimmten Pfad mit einem bestimmten Dateinamen in einem Java-Programm zu parsen. Der Code sieht wie folgt aus:

PdfDocument parsedDocument = PdfDocument.fromFile(Paths.get("sample.pdf"));

PdfDocument parsedDocument = PdfDocument.fromFile(Paths.get("sample.pdf"));

Geparstes Dokument

Schritt 2: Extrahieren von Textdaten aus geparster PDF-Datei

IronPDF for Java bietet eine einfache Methode zum Extrahieren von Text aus PDF-Dokumenten. Der folgende Codeausschnitt zeigt, wie Textdaten aus einer PDF-Datei extrahiert werden:

String extractedText = parsedDocument.extractAllText();

String extractedText = parsedDocument.extractAllText();

Der obige Code führt zu dem unten angegebenen Ergebnis:

Ausgabe

Schritt 3: Extrahieren von Textdaten aus URLs oder HTML-Strings

Die Fähigkeit von IronPDF for Java ist nicht nur auf bestehende PDFs beschränkt, sondern es kann auch eine neue Datei erstellen und parsen, um Inhalte zu extrahieren. Hier wird in diesem Tutorial eine PDF-Datei aus einer URL erstellt und Inhalte daraus extrahiert. Das folgende Beispiel zeigt, wie diese Aufgabe erreicht werden kann:

public class Main {
    public static void main(String[] args) throws IOException {
        License.setLicenseKey("YOUR-KEY");

        PdfDocument parsedDocument = PdfDocument.renderUrlAsPdf("https://ironpdf.com/java/");
        String extractedText = parsedDocument.extractAllText();
        System.out.println("Text Extracted from URL:\n" + extractedText);
    }
}

public class Main {
    public static void main(String[] args) throws IOException {
        License.setLicenseKey("YOUR-KEY");

        PdfDocument parsedDocument = PdfDocument.renderUrlAsPdf("https://ironpdf.com/java/");
        String extractedText = parsedDocument.extractAllText();
        System.out.println("Text Extracted from URL:\n" + extractedText);
    }
}

Das Ergebnis ist wie folgt:

Ausgabe

Schritt 4: Bilder aus geparstem PDF-Dokument extrahieren

IronPDF bietet auch eine einfache Option, um alle Bilder aus geparsten Dokumenten zu extrahieren. Hier wird das Tutorial das vorherige Beispiel verwenden, um zu sehen, wie leicht die Bilder aus den PDF-Dateien extrahiert werden.

import com.ironsoftware.ironpdf.*;

import javax.imageio.ImageIO;
import java.awt.image.BufferedImage;
import java.io.IOException;
import java.nio.file.Files;
import java.nio.file.Paths;
import java.util.List;

public class Main {
    public static void main(String[] args) throws IOException {
        License.setLicenseKey("YOUR-KEY");

        PdfDocument parsedDocument = PdfDocument.renderUrlAsPdf("https://ironpdf.com/java/");

        try {
            List<BufferedImage> images = parsedDocument.extractAllImages();
            System.out.println("Number of images extracted from the website: " + images.size());

            int i = 0;
            for (BufferedImage image : images) {
                ImageIO.write(image, "PNG", Files.newOutputStream(Paths.get("assets/extracted_" + ++i + ".png")));
            }
        } catch (Exception exception) {
            System.out.println("Failed to extract images from the website");
            exception.printStackTrace();
        }
    }
}

import com.ironsoftware.ironpdf.*;

import javax.imageio.ImageIO;
import java.awt.image.BufferedImage;
import java.io.IOException;
import java.nio.file.Files;
import java.nio.file.Paths;
import java.util.List;

public class Main {
    public static void main(String[] args) throws IOException {
        License.setLicenseKey("YOUR-KEY");

        PdfDocument parsedDocument = PdfDocument.renderUrlAsPdf("https://ironpdf.com/java/");

        try {
            List<BufferedImage> images = parsedDocument.extractAllImages();
            System.out.println("Number of images extracted from the website: " + images.size());

            int i = 0;
            for (BufferedImage image : images) {
                ImageIO.write(image, "PNG", Files.newOutputStream(Paths.get("assets/extracted_" + ++i + ".png")));
            }
        } catch (Exception exception) {
            System.out.println("Failed to extract images from the website");
            exception.printStackTrace();
        }
    }
}

Die extractAllImages-Methode gibt eine Liste von BufferedImages zurück. Jeder BufferedImage kann dann als PNG-Bilder an einem Ort mit der ImageIO.write-Methode gespeichert werden. Es gibt 34 Bilder in der geparsten PDF-Datei und jedes Bild wird perfekt extrahiert.

Extrahierte Bilder

Schritt 5: Extrahieren von Daten aus Tabellen in PDF-Dateien

Die Extraktion von Inhalten innerhalb tabellarischer Grenzen in einer PDF-Datei wird mit nur einer einzigen Codezeile unter Verwendung der extractAllText-Methode vereinfacht. Der folgende Codeausschnitt zeigt, wie Text aus einer Tabelle in einer PDF-Datei extrahiert wird:

Tabelle in PDF

PdfDocument parsedDocument = PdfDocument.fromFile(Paths.get("table.pdf"));
String extractedText = parsedDocument.extractAllText();
System.out.println(extractedText);

PdfDocument parsedDocument = PdfDocument.fromFile(Paths.get("table.pdf"));
String extractedText = parsedDocument.extractAllText();
System.out.println(extractedText);

Das Ergebnis ist wie folgt:

Ausgabe