Cómo Analizar PDFs en Java (Tutorial para Desarrolladores)

Requisitos previos

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

1. IDE de Java: Puedes utilizar cualquier IDE compatible con Java. Existen múltiples IDE de Java disponibles para el desarrollo. En este tutorial se utilizará el IDE IntelliJ. Puedes utilizar NetBeans, Eclipse, etc.
2. Proyecto Maven: Maven es un gestor de dependencias que permite controlar el proyecto Java. Maven for Java se puede descargar desde el sitio web oficial de Maven. El IDE Java de IntelliJ tiene compatibilidad integrada con Maven.

3. IronPDF: puede descargar e instalar IronPDF for Java de varias formas.

   • Añadir la dependencia de IronPDF en el archivo pom.xml de 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
   • Visita el sitio web del repositorio Maven para obtener el último paquete de IronPDF for Java.
   • Descarga directa desde la página oficial de descargas de Iron Software.
   • Instala IronPDF manualmente utilizando el archivo JAR en tu sencilla aplicación Java.

4. slf4j-Simple: Esta dependencia también es necesaria para insertar contenido en un documento existente. Se puede añadir mediante el gestor de dependencias de Maven en IntelliJ, o se puede descargar directamente desde el sitio web de Maven. Añade 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 instalados todos los requisitos previos, el primer paso es importar los paquetes necesarios de IronPDF para trabajar con un documento PDF. Añade el siguiente código al principio del archivo Main.java:

import com.ironsoftware.ironpdf.*;
import java.io.IO/Exception;
import java.nio.file.Paths;

import com.ironsoftware.ironpdf.*;
import java.io.IO/Exception;
import java.nio.file.Paths;

Clave de licencia

Algunos métodos disponibles en IronPDF requieren una licencia para su uso. Puedes adquirir una licencia o probar IronPDF de forma gratuita con una versión de prueba. Puede establecer la clave de la siguiente manera:

License.setLicenseKey("YOUR-KEY");

License.setLicenseKey("YOUR-KEY");

Paso 1: Analizar un documento PDF existente

Para analizar un documento existente con el fin de extraer contenido, se utiliza la clase PdfDocument. Su método estático [fromFile](/java/object-reference/api/com/ironsoftware/ironpdf/PdfDocument.html#fromFile(java.nio.file.Path) se utiliza para analizar un archivo PDF desde una ruta específica con un nombre de archivo concreto 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 de un archivo PDF analizado

IronPDF for Java ofrece un método sencillo para extraer texto de documentos PDF. A continuación se muestra un fragmento de código para extraer datos de texto de un archivo PDF:

String extractedText = parsedDocument.extractAllText();

String extractedText = parsedDocument.extractAllText();

El código anterior produce el resultado que se muestra a continuación:

Resultado

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

La capacidad de IronPDF for Java no se limita únicamente a los archivos PDF existentes, sino que también permite crear y analizar un nuevo archivo para extraer contenido. En este tutorial, crearemos un archivo PDF a partir de una URL y extraeremos contenido del mismo. El siguiente ejemplo muestra cómo llevar a cabo 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:

Resultado

Paso 4: Extraer imágenes de un documento PDF analizado

IronPDF también ofrece una opción sencilla para extraer todas las imágenes de los documentos analizados. En este tutorial se utilizará el ejemplo anterior para ver lo fácil que es extraer las imágenes de los archivos PDF.

import com.ironsoftware.ironpdf.*;

import javax.imageio.ImageIO;
import java.awt.image.BufferedImage;
import java.io.IO/Exception;
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.IO/Exception;
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. Cada BufferedImage se puede almacenar como imágenes PNG en una ubicación utilizando el método ImageIO.write. Hay 34 imágenes en el archivo PDF analizado y todas ellas se han extraído perfectamente.

Imágenes extraídas

Paso 5: Extraer datos de tablas en archivos PDF

Extraer contenido de los límites de las tablas en un archivo PDF es muy sencillo con solo una línea de código utilizando el [método extractAllText](/java/object-reference/api/com/ironsoftware/ironpdf/PdfDocument.html#extractAllText(). El siguiente fragmento de código muestra 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:

Resultado