使用Java讀取PDF內容完全指南

一、選用PDF讀取庫

Java中常見的PDF讀取庫有iText、Apache PDFBox等。這些庫提供了非常詳細的API文檔，可以實現大部分PDF讀取需求。

其中，iText主要提供PDF的創建、修改和轉換功能，而PDFBox則專註於PDF的解析和讀取。

選擇合適的庫取決於你的具體需求。

二、使用PDFBox讀取文本內容

PDFBox提供了PDTextStripper類，可以用於提取PDF中的文本內容。

try (PDDocument document = PDDocument.load(file)) {
    PDFTextStripper stripper = new PDFTextStripper();
    String content = stripper.getText(document);
    System.out.println(content);
} catch (IOException e) {
    e.printStackTrace();
}

以上代碼可以直接輸出PDF中的文本內容。PDFBox還提供了很多有用的功能，比如提取圖片、獲取PDF結構等。

三、解決亂碼問題

PDF中的文本可能包含各種字符編碼，而Java默認的編碼方式是UTF-8。因此，在讀取PDF文本時可能會出現亂碼問題。

解決方法之一是指定PDF文本的編碼。

String content = new PDFTextStripper("UTF-8").getText(document);

如果PDF文本中包含多種編碼方式，可以通過指定頁碼範圍、提供自定義字符轉換器等方式來解決問題。

四、處理PDF中的表格

PDF中的表格通常使用一系列矩形來表示，而表格之間的空隙也是一些矩形。為了讀取PDF中的表格內容，需要遍歷每個頁面，並且按照位置信息將相鄰的文本分組，最終形成一個完整的表格。

以下代碼演示了如何使用PDFBox讀取PDF中的表格：

PDDocument document = PDDocument.load(new File("table.pdf"));
PDFTableExtractor extractor = new PDFTableExtractor();
List<PDFTable> tables = extractor.setSource(document).extract();
for (PDFTable table : tables) {
    for (List<PDFCell> row : table.getRows()) {
        for (PDFCell cell : row) {
            System.out.print(cell.getText() + "\t\t");
        }
        System.out.println();
    }
}
document.close();

五、處理PDF中的圖像

PDF中的圖像可以使用PDFBox提供的PDImageXObject類進行讀取。以下代碼演示了如何將PDF中的圖像保存到本地文件：

PDDocument document = PDDocument.load(file);
PDPage page = document.getPage(0);
List<PDImageXObject> images = new ArrayList<>();
page.getResources().getXObjectNames().forEach(name -> {
    try {
        PDXObject xobject = page.getResources().getXObject(name);
        if (xobject instanceof PDImageXObject) {
            images.add((PDImageXObject) xobject);
        }
    } catch (IOException e) {
        e.printStackTrace();
    }
});
int i = 0;
for (PDImageXObject image : images) {
    ImageIO.write(image.getImage(), "png", new File("image" + i + ".png"));
    i++;
}
document.close();

六、處理PDF中的鏈接

PDF中的鏈接可以使用PDFBox提供的PDPageLink類進行讀取。以下代碼演示了如何將PDF中的鏈接保存到本地文件：

PDDocument document = PDDocument.load(file);
for (PDPage page : document.getPages()) {
    List<PDAnnotation> annotations = page.getAnnotations();
    for (PDAnnotation annotation : annotations) {
        if (annotation instanceof PDAnnotationLink) {
            PDPageLink link = (PDPageLink) annotation;
            PDActionURI action = (PDActionURI) link.getAction();
            if (action != null) {
                String url = action.getURI();
                FileUtils.write(new File("links.txt"), url + "\n", Charset.defaultCharset(), true);
            }
        }
    }
}
document.close();

綜上所述，Java讀取PDF的過程主要包括選用PDF讀取庫、使用PDFBox提取文本、處理亂碼、處理表格、處理圖像和處理鏈接等步驟。對於不同的需求，可以選擇不同的庫和方法來解決問題。