Wie man PDFs in Java analysiert (Tutorial für Entwickler)

Dieser Artikel wird einen PDF-Parser in Java mithilfe der IronPDF-Bibliothek auf effiziente Weise erstellen.

IronPDF - Java PDF-Bibliothek

IronPDF for Java ist eine Java-PDF-Bibliothek, die die Erstellung, das Lesen und die Bearbeitung von PDF-Dokumenten mit Leichtigkeit und Präzision ermöglicht. Es baut auf dem Erfolg von IronPDF for .NET auf und bietet effiziente Funktionalität für verschiedene Plattformen. IronPDF for Java verwendet den IronPdfEngine, der schnell und für die Leistung optimiert ist.

Mit IronPDF können Sie Text und Bilder aus PDF-Dateien extrahieren und es ermöglicht auch das Erstellen von PDFs aus verschiedenen Quellen, einschließlich HTML-Strings, Dateien, URLs und Bildern. Außerdem können Sie problemlos neuen Inhalt hinzufügen, Signaturen mit IronPDF einfügen und Metadaten in PDF-Dokumente einbetten. IronPDF wurde speziell für Java 8+, Scala und Kotlin entwickelt und ist mit Windows-, Linux- und Cloud-Plattformen kompatibel.

PDF-Datei-Parser mit IronPDF in Java-Programm erstellen

Voraussetzungen

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

1. Java IDE: Sie können jede Java-unterstützte IDE verwenden. Es gibt mehrere Java-IDEs, die für die Entwicklung verfügbar sind. Hier in diesem Tutorial wird die IntelliJ IDE verwendet. Sie können NetBeans, Eclipse, etc. verwenden.

2. Maven-Projekt: Maven ist ein Abhängigkeitsmanager und ermöglicht die Kontrolle über das Java-Projekt. Maven für Java kann von der offiziellen Maven-Website heruntergeladen werden. IntelliJ Java IDE verfügt über integrierte Unterstützung für Maven.

3. IronPDF - Sie können IronPDF für Java auf verschiedene Weisen herunterladen und installieren.

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

     :ProductInstall

• Besuchen Sie die Maven Repository-Website für das neueste IronPDF-Paket für Java.

  • Ein direkter Download von der offiziellen Download-Seite von Iron Software.

  • Installieren Sie IronPDF mit Hilfe der JAR-Datei manuell in Ihrer einfachen Java-Anwendung.

4. Slf4j-Simple: Diese Abhängigkeit ist ebenfalls erforderlich, um Inhalte in ein bestehendes Dokument einzufügen. Es kann über den Maven-Abhängigkeitsmanager in IntelliJ hinzugefügt werden, oder es kann 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>

Hinzufügen der erforderlichen 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 folgenden Code am Anfang der Datei Main.java 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

Für einige in IronPDF verfügbare Methoden ist eine Lizenz erforderlich. Sie können eine Lizenz erwerben oder IronPDF in einer kostenlosen Testversion ausprobieren. Sie können die Taste wie folgt einstellen:

License.setLicenseKey("YOUR-KEY");

License.setLicenseKey("YOUR-KEY");

Schritt 1: Ein bestehendes PDF-Dokument analysieren

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

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

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

Geparstes Dokument

Schritt 2: Extrahieren von Textdaten aus der geparsten PDF-Datei

IronPDF for Java bietet eine einfache Methode zum Extrahieren von Text aus PDF-Dokumenten. Das folgende Codeschnipsel dient zum Extrahieren von Textdaten aus einer PDF-Datei (siehe unten):

String extracted_text = parsedDocument.extractAllText();

String extracted_text = parsedDocument.extractAllText();

Der obige Code erzeugt die unten angegebene Ausgabe:

Ausgabe

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

IronPDF for Java ist nicht nur in der Lage, bestehende PDF-Dateien zu analysieren, sondern kann auch neue Dateien erstellen und analysieren, um Inhalte zu extrahieren. Hier wird in diesem Tutorial eine PDF-Datei aus einer URL erstellt und deren Inhalt extrahiert. Das folgende Beispiel zeigt, wie Sie diese Aufgabe erfüllen können:

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

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

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

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

Die Ausgabe lautet wie folgt:

Ausgabe

Schritt 4: Bilder aus geparstem PDF-Dokument extrahieren

IronPDF bietet auch eine einfache Möglichkeit, alle Bilder aus analysierten Dokumenten zu extrahieren. Hier wird im Tutorial das vorhergehende Beispiel verwendet, um zu sehen, wie einfach die Bilder aus den PDF-Dateien extrahiert werden können.

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 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 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-Bild an einem Speicherort mithilfe der ImageIO.write Methode gespeichert werden. In der geparsten PDF-Datei befinden sich 34 Bilder, und jedes Bild ist perfekt extrahiert.

Extrahierte Bilder

Schritt 5: Daten aus Tabellen in PDF-Dateien extrahieren

Das Extrahieren von Inhalten aus tabellarischen Grenzen in einer PDF-Datei wird mit nur einer einzigen Codezeile unter Verwendung der [extractAllText-Methode](/java/object-reference/api/com/ironsoftware/ironpdf/PdfDocument.html#extractAllText() vereinfacht. Der folgende Codeschnipsel zeigt, wie man Text aus einer Tabelle in einer PDF-Datei extrahiert:

Tabelle im PDF

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

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

Die Ausgabe lautet wie folgt:

Ausgabe

Schlussfolgerung

Dieser Artikel zeigte, wie man ein bestehendes PDF-Dokument analysiert oder eine neue PDF-Parser-Datei aus einer URL erstellt, um Daten daraus in Java mit IronPDF zu extrahieren. Nach dem Öffnen der Datei können tabellarische Daten, Bilder und Text aus der PDF extrahiert werden. Der extrahierte Text kann auch in eine Textdatei eingefügt werden, um später verwendet zu werden.

Für ausführlichere Informationen darüber, wie man programmgesteuert mit PDF-Dateien in Java arbeitet, besuchen Sie bitte diese Beispiele zur Erstellung von PDF-Dateien.

Die IronPDF for Java Bibliothek ist für Entwicklungszwecke kostenlos mit einer verfügbaren kostenlosen Testversion. Jedoch kann es für kommerzielle Nutzung über IronSoftware lizenziert werden, beginnend bei $749.