如何在 Java 中解析 PDF (开发人员教程)

前提条件

要在Java中制作一个PDF解析项目，您将需要以下工具：

1. Java IDE：您可以使用任何支持 Java 的 IDE。目前有多种 Java IDE 可用于开发。 本教程将使用IntelliJ IDE。 你可以使用 NetBeans、Eclipse 等等。
2. Maven 项目： Maven 是一个依赖管理器，可以控制 Java 项目。 可以从Maven官方网站下载用于Java的Maven。 IntelliJ Java IDE内置对Maven的支持。

3. IronPDF - 您可以通过多种方式下载并安装IronPDF for Java。

   • 在Maven项目的pom.xml文件中添加IronPDF依赖项。

     <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
   • 访问Maven存储库网站以获取最新的IronPDF for Java软件包。
   • 从Iron Software 官方下载页面直接下载。
   • 使用JAR文件在简单的Java应用程序中手动安装IronPDF。

4. Slf4j-Simple：此依赖项也是将内容添加到现有文档所必需的。 可以通过IntelliJ中的Maven依赖管理器添加，或者可以直接从Maven网站下载。将以下依赖项添加到pom.xml文件中：

   <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

添加必要的导入

安装完所有必需组件后，第一步是导入必要的IronPDF包以处理PDF文档。 在Main.java文件顶部添加以下代码：

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;

许可证密钥

IronPDF 中提供的一些方法需要许可证才能使用。 您可以购买许可证或在免费试用中尝试IronPDF免费。 您可以按如下所示设置密钥：

License.setLicenseKey("YOUR-KEY");

License.setLicenseKey("YOUR-KEY");

步骤1：解析现有的PDF文档

要解析现有文档以提取内容，请使用PdfDocument类。 其静态fromFile方法用于从指定路径中具有特定文件名的Java程序解析PDF文件。 代码如下：

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

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

已解析文档

步骤2：从解析好的PDF文件中提取文本数据

IronPDF for Java提供了一种简单方法来从PDF文档中提取文本。 以下是用于从PDF文件中提取文本数据的代码片段如下：

String extractedText = parsedDocument.extractAllText();

String extractedText = parsedDocument.extractAllText();

上述代码生成的输出如下所示：

输出

步骤3：从URL或HTML字符串中提取文本数据

IronPDF for Java的功能不仅限于现有的PDF，它还可以创建并解析新文件以提取内容。 本教程将在这里从URL中创建PDF文件并从中提取内容。 以下示例显示如何实现此任务：

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);
    }
}

译文如下：

输出

步骤4：从解析好的PDF文档中提取图像

IronPDF还提供了一种简单的方法来提取已解析文档中的所有图像。 此教程将使用前面的示例来看图像如何轻松地从PDF文件中提取出来。

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();
        }
    }
}

BufferedImages的列表。 然后，每个ImageIO.write方法存储为特定位置的PNG图像。 解析的PDF文件中有34张图像，每张图像都被完美提取。

在PDF文件中从表格边界提取内容仅需一行代码即可轻松实现，使用extractAllText方法。 以下代码片段展示了如何从PDF文件中的表格中提取文本：

PDF中的表格

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);

译文如下：

输出