Cómo Analizar PDFs en Java (Tutorial para Desarrolladores)

Prerrequisitos

Para realizar un proyecto de análisis de PDF en Java, necesitarás las siguientes herramientas:

1. IDE de Java: Puedes usar cualquier IDE compatible con Java. Existen múltiples IDE de Java disponibles para desarrollo. Aquí este tutorial utilizará IntelliJ IDE. Puedes usar NetBeans, Eclipse, etc.
2. Proyecto Maven: Maven es un administrador de dependencias y permite el control sobre el proyecto Java. Maven for Java se puede descargar desde el sitio oficial de Maven. IntelliJ Java IDE tiene soporte integrado para Maven.

3. IronPDF - Puedes descargar e instalar IronPDF for Java de múltiples maneras.

   • Agregar la dependencia IronPDF en el archivo pom.xml en un proyecto Maven.

     <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
   • Visitar el sitio web del repositorio Maven para el último paquete IronPDF for Java.
   • Una descarga directa desde la página oficial de descarga de Iron Software.
   • Instalar manualmente IronPDF usando el archivo JAR en tu aplicación Java simple.

4. Slf4j-Simple: esta dependencia también es necesaria para estampar contenido en un documento existente. Se puede agregar mediante el administrador de dependencias de Maven en IntelliJ o descargarlo directamente del sitio web de Maven. Agregue la siguiente dependencia al archivo pom.xml:

   <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

Añadir las importaciones necesarias

Una vez que se han instalado todos los prerrequisitos, el primer paso es importar los paquetes necesarios de IronPDF para trabajar con un documento PDF. Agregue el siguiente código encima del archivo Main.java:

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;

Clave de licencia

Algunos métodos disponibles en IronPDF requieren una licencia para ser usados. Puedes comprar una licencia o probar IronPDF de manera gratuita en una prueba gratuita. Puedes establecer la clave así:

License.setLicenseKey("YOUR-KEY");

License.setLicenseKey("YOUR-KEY");

Paso 1: Analizar un documento PDF existente

Para analizar un documento existente para la extracción de contenido, se utiliza la clase PdfDocument . Su método estático fromFile se utiliza para analizar un archivo PDF desde una ruta específica con un nombre de archivo específico en un programa Java. El código es el siguiente:

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

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

Documento Analizado

Paso 2: Extraer datos de texto del archivo PDF analizado

IronPDF for Java proporciona un método fácil para extraer texto de documentos PDF. El siguiente fragmento de código es para extraer datos de texto de un archivo PDF es el siguiente:

String extractedText = parsedDocument.extractAllText();

String extractedText = parsedDocument.extractAllText();

El código anterior produce la siguiente salida:

Salida

Paso 3: Extraer datos de texto de URL o cadenas HTML

La capacidad de IronPDF for Java no está restringida solo a PDFs existentes, sino que también puede crear y analizar un nuevo archivo para extraer contenido. Aquí, este tutorial creará un archivo PDF desde una URL y extraerá el contenido de él. El siguiente ejemplo muestra cómo lograr esta tarea:

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);
    }
}

El resultado es el siguiente:

Salida

Paso 4: Extraer imágenes del documento PDF analizado

IronPDF también proporciona una opción fácil para extraer todas las imágenes de documentos analizados. Aquí el tutorial utilizará el ejemplo anterior para ver qué tan fácilmente se extraen las imágenes de los archivos PDF.

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();
        }
    }
}

El método [extractAllImages](/java/object-reference/api/com/ironsoftware/ironpdf/PdfDocument.html#extractAllImages() ) devuelve una lista de BufferedImages. Luego, cada BufferedImage se puede almacenar como imagen PNG en una ubicación usando el método ImageIO.write. Hay 34 imágenes en el archivo PDF analizado y cada imagen es extraída perfectamente.

Imágenes extraídas

Paso 5: Extraer datos de una tabla en archivos PDF

Extraer contenido de los límites tabulares en un archivo PDF se hace fácil con solo una línea de código usando el [método extractAllText](/java/object-reference/api/com/ironsoftware/ironpdf/PdfDocument.html#extractAllText() ). El siguiente fragmento de código demuestra cómo extraer texto de una tabla en un archivo PDF:

Tabla en 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);

El resultado es el siguiente:

Salida