Como analisar PDFs em Java (Tutorial para desenvolvedores)

Pré-requisitos

Para criar um projeto de análise de PDF em Java, você precisará das seguintes ferramentas:

1. IDE Java: Você pode usar qualquer IDE compatível com Java. Existem diversas IDEs Java disponíveis para desenvolvimento. Neste tutorial, será utilizado o IntelliJ IDE . Você pode usar o NetBeans, o Eclipse, etc.
2. Projeto Maven: O Maven é um gerenciador de dependências que permite o controle sobre o projeto Java. O Maven for Java pode ser baixado do site oficial do Maven . O IntelliJ Java IDE possui suporte integrado para Maven.

3. IronPDF - Você pode baixar e instalar o IronPDF for Java de diversas maneiras.

   • Adicionando dependência do IronPDF no arquivo pom.xml em um projeto 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
   • Visite o site do repositório Maven para obter o pacote IronPDF mais recente for Java .
   • Download direto da página oficial de downloads da Iron Software .
   • Instale manualmente o IronPDF usando o arquivo JAR em sua aplicação Java simples.

4. Slf4j-Simple: Esta dependência também é necessária para inserir conteúdo em um documento existente. Pode ser adicionado usando o gerenciador de dependências do Maven no IntelliJ ou baixado diretamente do site do Maven. Adicione a seguinte dependência ao arquivo 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

Adicionando as importações necessárias

Após a instalação de todos os pré-requisitos, o primeiro passo é importar os pacotes IronPDF necessários para trabalhar com um documento PDF. Adicione o seguinte código no início do arquivo 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;

Chave de licença

Alguns métodos disponíveis no IronPDF exigem uma licença para serem utilizados. Você pode adquirir uma licença ou experimentar o IronPDF gratuitamente durante o período de teste. Você pode definir a chave da seguinte forma:

License.setLicenseKey("YOUR-KEY");

License.setLicenseKey("YOUR-KEY");

Etapa 1: Analisar um documento PDF existente

Para analisar um documento existente para extração de conteúdo, utiliza-se a classe PdfDocument . Seu método estático fromFile é usado para analisar um arquivo PDF de um caminho específico com um nome de arquivo específico em um programa Java. O código é o seguinte:

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

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

Documento analisado

Etapa 2: Extrair dados de texto do arquivo PDF analisado

IronPDF for Java oferece um método fácil para extrair texto de documentos PDF . O trecho de código a seguir extrai dados de texto de um arquivo PDF:

String extractedText = parsedDocument.extractAllText();

String extractedText = parsedDocument.extractAllText();

O código acima produz a saída apresentada abaixo:

Saída

Etapa 3: Extrair dados de texto de URLs ou strings HTML

A capacidade do IronPDF for Java não se restringe apenas a PDFs existentes, mas também pode criar e analisar um novo arquivo para extrair conteúdo. Neste tutorial, vamos criar um arquivo PDF a partir de uma URL e extrair o conteúdo dele . O exemplo a seguir mostra como realizar essa tarefa:

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);
    }
}

O resultado é o seguinte:

Saída

Etapa 4: Extrair imagens do documento PDF analisado

O IronPDF também oferece uma opção fácil para extrair todas as imagens de documentos analisados . Neste tutorial, utilizaremos o exemplo anterior para demonstrar a facilidade com que as imagens são extraídas dos arquivos 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();
        }
    }
}

O método [extractAllImages](/java/object-reference/api/com/ironsoftware/ironpdf/PdfDocument.html#extractAllImages() ) retorna uma lista de BufferedImages. Cada BufferedImage pode então ser armazenado como imagens PNG em um local usando o método ImageIO.write. O arquivo PDF analisado contém 34 imagens e todas foram extraídas perfeitamente.

Imagens extraídas

Etapa 5: Extrair dados da tabela em arquivos PDF

Extrair conteúdo dos limites das tabelas em um arquivo PDF é fácil com apenas uma linha de código usando o [método extractAllText](/java/object-reference/api/com/ironsoftware/ironpdf/PdfDocument.html#extractAllText() ). O trecho de código a seguir demonstra como extrair texto de uma tabela em um arquivo PDF:

Tabela em 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);

O resultado é o seguinte:

Saída