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-unterstützte IDE verwenden. Es gibt mehrere Java-IDEs für die Entwicklung. In diesem Tutorial wird die IntelliJ IDE verwendet. Sie können NetBeans, Eclipse usw. verwenden.
2. Maven Project: Maven ist ein Abhängigkeitsmanager und ermöglicht die Kontrolle über das Java-Projekt. Maven für Java kann von der offiziellen Maven-Website heruntergeladen werden. Die IntelliJ Java IDE unterstützt Maven integriert.

3. IronPDF - Sie können IronPDF für 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 für Java.
   • Ein direkter Download von der offiziellen Download-Seite von Iron Software.
   • Manuell mit der JAR-Datei in Ihrer einfachen Java-Anwendung installieren.

4. Slf4j-Simple: Diese Abhängigkeit wird ebenfalls benötigt, um Inhalte in ein bestehendes Dokument zu stempeln. Es kann mit dem Maven-Abhängigkeitsmanager in IntelliJ hinzugefügt werden oder direkt von der Maven-Website heruntergeladen 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 am Anfang der Main.java-Datei hinzu:

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. Sie können eine Lizenz erwerben oder IronPDF kostenlos in einer kostenlosen Testversion ausprobieren. 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 zur Inhaltsextraktion zu parsen, wird die PdfDocument-Klasse verwendet. Deren statische fromFile-Methode wird verwendet, um eine PDF-Datei von einem bestimmten Pfad mit einem spezifischen 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 für 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 für 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](/java/object-reference/api/com/ironsoftware/ironpdf/PdfDocument.html#extractAllImages())-Methode gibt eine Liste von BufferedImages zurück. Jedes BufferedImage kann dann als PNG-Bilder an einem Standort mithilfe 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

Das Extrahieren von Inhalten aus tabellarischen Grenzen in einer PDF-Datei wird mit nur einer Codezeile mit der [extractAllText-Methode](/java/object-reference/api/com/ironsoftware/ironpdf/PdfDocument.html#extractAllText() einfach gemacht. 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