【Java】基于Pdfbox解析PDF文档中指定位置的文字和图片

1.1 PDFBOX介绍

Apache PDFBox是一个开源Java库，支持PDF文档的开发和转换。 我们可以使用PDFBox开发可以创建，转换和操作PDF文档的Java程序。PDFBox的主要功能：

• Extract Text - 使用PDFBox，您可以从PDF文件中提取Unicode文本。
• Split & Merge - 使用PDFBox，您可以将单个PDF文件分成多个文件，并将它们合并为一个文件。
• Fill Forms - 使用PDFBox，您可以在文档中填写表单数据。
• Print - 使用PDFBox，您可以使用标准Java打印API打印PDF文件。
• Save as Image - 使用PDFBox，您可以将PDF保存为图像文件，如PNG或JPEG。
• Create PDFs - 使用PDFBox，您可以通过创建Java程序创建新的PDF文件，还可以包含图像和字体。
• Signing - 使用PDFBox，您可以将数字签名添加到PDF文件。

PDFBox的四个主要组成部分：

• PDFBox - 这是PDFBox的主要部分。 它包含与内容提取和操作相关的类和接口。
• FontBox - 它包含与font相关的类和接口，使用这些类我们可以修改PDF文档的文本字体。
• XmpBox - 包含处理XMP元数据的类和接口。
• Preflight - 此组件用于根据PDF/A-1b标准验证PDF文件。

PDFBOX操作PDF文档基本实现：

• 创建PDF文档( Creating a PDF Document)
• 添加页面( Adding Pages)
• 删除页面( Removing Pages)
• 读写文档属性( Document Properties)
• 添加文本( Adding Text)
• 添加多行( Adding Multiple Lines)
• 读取文本( Reading Text)
• 插入图像( Inserting Image)
• 加密PDF文档(Encrypting a PDF Document)
• 拆分PDF文档( Splitting a PDF Document)
• 合并多个PDF文档(Merging Multiple PDF Documents)
• 从PDF文档生成图像（Save Images）
• 添加矩形( Adding Rectangles)

详细参考PDFBOX官网

1.2 项目需求分析

项目中需要根据既有的电子图书进行信息化的归档，方便分类目查询。因为图书主要是以如下排版存在：

相对来说页面分为左右两部分，右侧是知识点的描述，比较规范。左侧是图文的说明，为了生动，各种形式，大小都有，基本上没有规律，所以无法进行解析。最终敲定方案如下：

右侧描述根据章节来生成知识点描述，可以按章节或者关键字检索。对应描述的左侧部分，需要整体生成辅助说明一个图片。辅助说明相应的知识点内容。

拆分成技术实现为：

• 指定区域进行PDF文字内容提取
• 指定区域进行PDF图片内容提取

1.3 代码实现

1.3.1 SpringBoot工程引入PDFBox依赖

POM.xml

    <!-- https://mvnrepository.com/artifact/org.apache.pdfbox/pdfbox -->
	<dependency>
	    <groupId>org.apache.pdfbox</groupId>
	    <artifactId>pdfbox</artifactId>
	    <version>2.0.18</version>
	</dependency>

PdfboxUtils.java

package com.gavinbj.common.utils;

import java.awt.Rectangle;
import java.awt.image.BufferedImage;
import java.io.File;

import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.pdmodel.PDPage;
import org.apache.pdfbox.rendering.PDFRenderer;
import org.apache.pdfbox.text.PDFTextStripperByArea;

public class PdfboxUtils {

	public static final String REGION_NAME = "content";

	
	/**
	 * 根据指定文件页码的指定区域读取文字
	 * 
	 * @param filePath PDF文件路径
	 * @param iPage PDF页码
	 * @param textRrect 读取文字的区域
	 * @return 文字内容
	 */
	public static String readRectangelText(String filePath, int iPage, Rectangle textRrect) {

		String textContent = "";
		
		try(PDDocument pdfDoc = PDDocument.load(new File(filePath))) {
			// 获取指定的PDF页
			PDPage pdfPage = pdfDoc.getPage(iPage);

			// 获取指定位置的文字（文字剥离器）
			PDFTextStripperByArea textStripper = new PDFTextStripperByArea();
			textStripper.setSortByPosition(true);
			textStripper.addRegion(REGION_NAME, textRrect);
			textStripper.extractRegions(pdfPage);

			textContent = textStripper.getTextForRegion(REGION_NAME);

			// 释放资源
			pdfDoc.close();
		} catch (Exception ex) {
			ex.printStackTrace();
		} 

		return textContent;

	}
	
	/**
	 * 根据指定文件页码的指定区域读取图片
	 * 
	 * @param filePath PDF文件路径
	 * @param iPage PDF页码
	 * @param imgRrect 读取图片的区域
	 * @return 图片内容
	 */
	public static BufferedImage readRectangelImage(String filePath, int iPage, Rectangle imgRrect) {

		BufferedImage bufImage = null;
		try(PDDocument pdfDoc = PDDocument.load(new File(filePath))) {
			// 获取渲染器，主要用来后面获取BufferedImage
			PDFRenderer pdfRenderer = new PDFRenderer(pdfDoc);
			// 截取指定位置生产图片
			bufImage = pdfRenderer.renderImage(iPage).getSubimage(imgRrect.x,imgRrect.y,imgRrect.width,imgRrect.height); 

            // 释放资源
			pdfDoc.close();
		} catch (Exception ex) {
			ex.printStackTrace();
		} 

		return bufImage;
	}
	
}

PdfTest.java：测试类

package com.gavinbj.common.utils;

import java.awt.Rectangle;
import java.awt.image.BufferedImage;
import java.io.File;
import java.io.IOException;

import javax.imageio.ImageIO;

public class PdfTest {
	
	public static void main(String[] args) throws IOException {
		
	    String pdfPath="C:\\PDFDemos\\pdf\\9.pdf";
	    
	    Rectangle textRrect = new Rectangle(420, 80, 130, 245);
	    
	    String strContent = PdfboxUtils.readRectangelText(pdfPath, 0, textRrect);
	    
		System.out.println(strContent);
		
		// 保存图片
		Rectangle imgRrect = new Rectangle(0, 76, 420, 240);
		BufferedImage bufImage = PdfboxUtils.readRectangelImage(pdfPath, 0, imgRrect);
		
		File outputfile = new File("D:\\pdfImage2.png");
        ImageIO.write(bufImage, "png", outputfile);
		
	}
	
}

执行测试结果：

一、太阳辐射
1 …概念：太阳源源不断地
以电磁波的形式向四周放射能
量，被称为太阳辐射。
太阳辐射携带巨大的能量。
地球所接收到的太阳辐射能量仅
为太阳向宇宙空间放射的总辐射
能量的二十亿分之一。
在日地平均距离处与太
阳光垂直的地球大气上界单位
面积上在单位时间内所接收到
的太阳辐射的所有波长的总能
量，称为太阳常数。

结论：从上面例子可以看出使用PDFBOX相应的方法可以读取指定位置的文字。

并可以从指定位置提取图片并保存，不同于直接读取PDF中内嵌的对象，可以根据你的指定区域直接截取相应的内容作为图片保存，但是处理速度不敢恭维，特别慢。暂时没有想到优化的办法。