java - 从 PDF 中提取数据的最简单方法是什么？

Question

我需要从一些 PDF 文档中提取数据(使用 Java)。我需要知道最简单的方法是什么。

我试过 iText。这对我的需要来说相当复杂。此外，我猜它不是免费用于商业项目的。所以这不是一个选择。我还尝试了 PDFBox，遇到了各种 NoClassDefFoundError 错误。

我用谷歌搜索并找到了其他几个选项，例如 PDF Clown、jPod，但我没有时间试验所有这些库。我依靠社区通过 Java 阅读 PDF 的经验。

请注意，我不需要创建或操作 PDF 文档。我只需要从布局复杂度适中的 PDF 文档中提取文本数据。

请建议从 PDF 文档中提取文本的最快和最简单的方法。谢谢。

Answer 1

我建议尝试 Apache Tika。 Apache Tika 基本上是一个工具包，可以从多种类型的文档(包括 PDF)中提取数据。

Tika 的好处(除了免费之外)是它曾经是 Apache Lucene 的一个子项目，它是一个非常强大的开源搜索引擎。 Tika 包含一个内置的 PDF 解析器，它使用 SAX 内容处理器将 PDF 数据传递给您的应用程序。它还可以从加密的 PDF 中提取数据，并允许您创建或子类化现有解析器以自定义行为。

代码很简单。要从 PDF 中提取数据，您需要做的就是创建一个实现 Parser 接口(interface)的 Parser 类并定义一个 parse() 方法:

public void parse(
   InputStream stream, ContentHandler handler,
   Metadata metadata, ParseContext context)
   throws IOException, SAXException, TikaException {

   metadata.set(Metadata.CONTENT_TYPE, HELLO_MIME_TYPE);
   metadata.set("Hello", "World");

   XHTMLContentHandler xhtml = new XHTMLContentHandler(handler, metadata);
   xhtml.startDocument();
   xhtml.endDocument();
}

然后，要运行解析器，您可以这样做:

InputStream input = new FileInputStream(new File(resourceLocation));
ContentHandler textHandler = new BodyContentHandler();
Metadata metadata = new Metadata();
PDFParser parser = new PDFParser();
parser.parse(input, textHandler, metadata);
input.close();
out.println("Title: " + metadata.get("title"));
out.println("Author: " + metadata.get("Author"));
out.println("content: " + textHandler.toString());