Java讀取PDF

一、PDF簡介

PDF文件是一種攜帶型文檔格式，它具有可移植性、易於共享和存檔的優點，以及在現代互聯網世界中越來越流行。

在這篇文章中，我們將探討如何使用Java語言讀取PDF文件。不同的PDF文件可能需要使用不同的Java庫和API來讀取，因此我們將介紹一些主流的Java PDF閱讀器庫，以及它們的基本用法。

二、iText庫

iText是一個流行的開源Java PDF庫，它可用於創建和讀取PDF文件。iText官網提供了大量文檔和代碼示例，幫助開發者快速上手。

1. iText庫的使用

下面是使用iText讀取PDF文件的示例代碼：

//導入需要的庫
import com.itextpdf.text.pdf.PdfReader;
import com.itextpdf.text.pdf.parser.PdfTextExtractor;

public class ReadPDF {
    public static void main(String[] args) {
        try {
            // 創建PdfReader對象
            PdfReader reader = new PdfReader("test.pdf");
            // 獲取PDF文件中的頁數
            int pages = reader.getNumberOfPages();

            for (int i = 1; i <= pages; i++) {
                // 從第一頁開始讀取文本
                String pageContent = PdfTextExtractor.getTextFromPage(reader, i);
                System.out.println(pageContent);
            }
            // 關閉PdfReader對象
            reader.close();
        } catch (Exception e) {
            e.printStackTrace();
        }
    }
}

這段代碼首先使用PdfReader類打開名為「test.pdf」的PDF文件，然後使用getNumberOfPages()方法獲取文件的頁數，並使用getTextFromPage()方法從每一頁提取文本內容。最後使用close()方法關閉PdfReader對象。

2. iText庫的局限

iText的一個顯著限制是，它只能讀取和提取文本內容。如果您需要從PDF文件中提取圖像、表格或其他非文本元素，則需要使用其他庫。

三、Apache PDFBox庫

1. Apache PDFBox庫的使用

Apache PDFBox是一個流行的開源Java PDF庫，它可用於創建、編輯和讀取PDF文件。PDFBox庫是比iText更全面的解決方案，因為它可以處理PDF文件中的許多不同元素類型。

下面是使用PDFBox讀取PDF文件的示例代碼：

//導入需要的庫
import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.text.PDFTextStripper;

public class ReadPDFBox {
    public static void main(String[] args) {
        try {
            // 創建PDDocument對象
            PDDocument document = PDDocument.load(new File("test.pdf"));
            // 創建PDFTextStripper對象
            PDFTextStripper pdfStripper = new PDFTextStripper();
            // 從第一頁開始讀取文本
            String text = pdfStripper.getText(document);
            System.out.println(text);
            // 關閉PDDocument對象
            document.close();
        } catch (Exception e) {
            e.printStackTrace();
        }
    }
}

這段代碼首先使用PDDocument類打開名為「test.pdf」的PDF文件，然後使用PDFTextStripper類從每一頁提取文本內容。最後使用close()方法關閉PDDocument對象。

2. Apache PDFBox庫的局限

與iText相比，Apache PDFBox具有更高的學習曲線和更大的jar文件。但是，如果您需要處理PDF文件中的大量非文本元素，則Apache PDFBox可能是更好的選擇。

四、PDF.js庫

1. PDF.js庫的使用

PDF.js是一個流行的JavaScript庫，它可以在Web瀏覽器中呈現PDF文件。PDF.js不是Java庫，但它對於在Web應用程序中顯示PDF文件非常有用，可以與Java後端集成。

下面是使用PDF.js在Web瀏覽器中顯示PDF文件的示例代碼：

    
    

    
    






    // 創建PDF.js viewer對象
    let pdf_viewer = null;

    // 非同步載入PDF文件
    pdfjsLib.getDocument('test.pdf').promise.then(function(pdf) {

        // 獲取PDF第一頁
        pdf.getPage(1).then(function(page) {

            // 獲取Canvas元素
            let canvas = document.getElementById('pdf-canvas');

            // 設置Canvas尺寸
            let viewport = page.getViewport({scale: 1.5});
            canvas.width = viewport.width;
            canvas.height = viewport.height;

            // 渲染PDF到Canvas上
            let context = canvas.getContext('2d');
            let renderContext = {
                canvasContext: context,
                viewport: viewport
            };
            page.render(renderContext);

            // 創建PDF.js viewer對象
            pdf_viewer = pdfjsLib.getDocumentViewer({container: document.getElementById('pdf-canvas-container'), viewer: document.getElementById('pdf-viewer-container')});
            pdf_viewer.setDocument(pdf);

        });

    });

這段HTML代碼使用PDF.js庫非同步載入名為「test.pdf」的PDF文件，並將第一頁呈現到Canvas元素上。最後，它創建了一個PDF.js viewer對象，使用戶可以縮放、旋轉並瀏覽整個文件。

2. PDF.js庫的局限

PDF.js庫的主要託管問題是性能，特別是在處理大型PDF文件時。如果您需要對PDF文件進行大量處理，則使用Java庫可能是更好的選擇。