Cómo Leer Archivo PDF en Java

Prerrequisitos

Para usar IronPDF para hacer un lector de PDF en Java, es necesario asegurarse de que los siguientes componentes estén instalados en la computadora:

1. JDK - Se requiere el Kit de Desarrollo de Java para construir y ejecutar programas Java. Si no está instalado, descárguelo desde el Sitio Web de Oracle.
2. IDE - El Entorno de Desarrollo Integrado es un software que ayuda a escribir, editar y depurar un programa. Descargue cualquier IDE para Java, por ejemplo, Eclipse, NetBeans, IntelliJ.
3. Maven - Maven es una herramienta de automatización que ayuda a descargar bibliotecas del Repositorio Central. Descárguelo desde el Sitio Web de Apache Maven.
4. IronPDF - Finalmente, se requiere IronPDF para leer el archivo PDF en Java. Esto debe añadirse como una dependencia en su Proyecto Maven de Java. Incluya el artefacto de IronPDF junto con la dependencia slf4j en el archivo pom.xml como se muestra en el ejemplo a continuación:

<!-- Add Maven dependencies for IronPDF -->
<dependencies>
    <!-- IronPDF Dependency -->
    <dependency>
        <groupId>com.ironsoftware</groupId>
        <artifactId>ironpdf</artifactId>
        <version>your-version-here</version>
    </dependency>

    <!-- SLF4J Dependency necessary for logging -->
    <dependency>
        <groupId>org.slf4j</groupId>
        <artifactId>slf4j-api</artifactId>
        <version>1.7.32</version>
    </dependency>
</dependencies>

<!-- Add Maven dependencies for IronPDF -->
<dependencies>
    <!-- IronPDF Dependency -->
    <dependency>
        <groupId>com.ironsoftware</groupId>
        <artifactId>ironpdf</artifactId>
        <version>your-version-here</version>
    </dependency>

    <!-- SLF4J Dependency necessary for logging -->
    <dependency>
        <groupId>org.slf4j</groupId>
        <artifactId>slf4j-api</artifactId>
        <version>1.7.32</version>
    </dependency>
</dependencies>

Añadir las importaciones necesarias

Primero, añada el siguiente código en la parte superior del archivo fuente de Java para referenciar todos los métodos requeridos de IronPDF:

import com.ironsoftware.ironpdf.*;
// Necessary imports from IronPDF library

import com.ironsoftware.ironpdf.*;
// Necessary imports from IronPDF library

A continuación, configure IronPDF con una clave de licencia válida para usar sus métodos. Invoque el método setLicenseKey en el método principal.

License.setLicenseKey("Your license key");
// Set your IronPDF license key - required for full version

License.setLicenseKey("Your license key");
// Set your IronPDF license key - required for full version

Nota: Puede obtener una clave de licencia de prueba gratuita para crear, leer e imprimir PDFs.

Leer un archivo PDF existente en Java

Para leer archivos PDF, deben existir archivos PDF, o se puede crear uno. Este artículo usará un archivo PDF ya creado. El código es simple y un proceso de dos pasos para extraer texto del documento:

// Load the PDF document from file
PdfDocument pdf = PdfDocument.fromFile(Paths.get("assets/sample.pdf"));
// Extract all text from the PDF
String text = pdf.extractAllText();
// Print the extracted text
System.out.println(text);

// Load the PDF document from file
PdfDocument pdf = PdfDocument.fromFile(Paths.get("assets/sample.pdf"));
// Extract all text from the PDF
String text = pdf.extractAllText();
// Print the extracted text
System.out.println(text);

En el código anterior, [fromFile](/java/object-reference/api/com/Iron Software/ironpdf/PdfDocument.html#fromFile(java.nio.file.Path)) abre un documento PDF. El método Paths.get obtiene el directorio del archivo y está listo para extraer el contenido del archivo. Luego, [extractAllText](/java/object-reference/api/com/Iron Software/ironpdf/PdfDocument.html#extractAllText()) lee todo el texto en el documento.

El resultado es:

Resultado de Lectura de Texto en PDF

Leer texto de una página específica

IronPDF también puede leer contenido de una página específica en un PDF. El método extractTextFromPage usa un objeto PageSelection para aceptar un rango de página(s) del cual se leerá el texto.

En el siguiente ejemplo, se extrae el texto de la segunda página del documento PDF. PageSelection.singlePage toma el índice de la página que necesita ser extraída (índice comenzando desde 0).

// Load the PDF document from file
PdfDocument pdf = PdfDocument.fromFile(Paths.get("assets/sample.pdf"));
// Extract text from the second page (page index based, starts at 0, so 1 means second page)
String text = pdf.extractTextFromPage(PageSelection.singlePage(1));
// Print the extracted text from the specified page
System.out.println(text);

// Load the PDF document from file
PdfDocument pdf = PdfDocument.fromFile(Paths.get("assets/sample.pdf"));
// Extract text from the second page (page index based, starts at 0, so 1 means second page)
String text = pdf.extractTextFromPage(PageSelection.singlePage(1));
// Print the extracted text from the specified page
System.out.println(text);

Resultado de Lectura de Texto en PDF

Otros métodos disponibles en la clase PageSelection que pueden usarse para extraer texto de varias páginas incluyen: [firstPage](/java/object-reference/api/com/Iron Software/ironpdf/edit/PageSelection.html#lastPage()), [lastPage](/java/object-reference/api/com/Iron Software/ironpdf/edit/PageSelection.html#firstPage()), [pageRange](/java/object-reference/api/com/Iron Software/ironpdf/edit/PageSelection.html#pageRange(int,int)) y [allPages](/java/object-reference/api/com/Iron Software/ironpdf/edit/PageSelection.html#allPages()).

Leer texto de un archivo PDF recién generado

La búsqueda de texto también se puede realizar en un archivo PDF recién generado desde un archivo HTML o URL. El siguiente código de ejemplo genera PDFs desde URL y extrae todo el texto del sitio web.

// Generate PDF from a URL
PdfDocument pdf = PdfDocument.renderUrlAsPdf("https://unsplash.com/");
// Extract all text from the generated PDF
String text = pdf.extractAllText();
// Print the extracted text from the URL
System.out.println("Text extracted from the website: " + text);

// Generate PDF from a URL
PdfDocument pdf = PdfDocument.renderUrlAsPdf("https://unsplash.com/");
// Extract all text from the generated PDF
String text = pdf.extractAllText();
// Print the extracted text from the URL
System.out.println("Text extracted from the website: " + text);

Leer desde un Nuevo Archivo

IronPDF también se puede usar para extraer imágenes de archivos PDF.

El código completo es el siguiente:

import com.ironsoftware.ironpdf.License;
import com.ironsoftware.ironpdf.PdfDocument;
import com.ironsoftware.ironpdf.edit.PageSelection;

import java.io.IOException;
import java.nio.file.Paths;

public class Main {
    public static void main(String[] args) throws IOException {
        // Set the IronPDF license key for commercial use
        License.setLicenseKey("YOUR LICENSE KEY HERE");

        // Read text from a specific page in an existing PDF
        PdfDocument pdf = PdfDocument.fromFile(Paths.get("assets/sample.pdf"));
        String text = pdf.extractTextFromPage(PageSelection.singlePage(1));
        System.out.println(text);

        // Read all text from a PDF generated from a URL
        pdf = PdfDocument.renderUrlAsPdf("https://unsplash.com/");
        text = pdf.extractAllText();
        System.out.println("Text extracted from the website: " + text);
    }
}

import com.ironsoftware.ironpdf.License;
import com.ironsoftware.ironpdf.PdfDocument;
import com.ironsoftware.ironpdf.edit.PageSelection;

import java.io.IOException;
import java.nio.file.Paths;

public class Main {
    public static void main(String[] args) throws IOException {
        // Set the IronPDF license key for commercial use
        License.setLicenseKey("YOUR LICENSE KEY HERE");

        // Read text from a specific page in an existing PDF
        PdfDocument pdf = PdfDocument.fromFile(Paths.get("assets/sample.pdf"));
        String text = pdf.extractTextFromPage(PageSelection.singlePage(1));
        System.out.println(text);

        // Read all text from a PDF generated from a URL
        pdf = PdfDocument.renderUrlAsPdf("https://unsplash.com/");
        text = pdf.extractAllText();
        System.out.println("Text extracted from the website: " + text);
    }
}