前言
临时接到一个紧急需要处理的事项。业务侧一个同事有几千个PDF文件需要整理：需要从文件中的指定位置获取对应的编号和地址。
要的急，工作量大。所以就问到技术部有没有好的解决方案。
问技术的话就只能写个demo跑下了。
解决办法
1. 研究下PDF文档，找出解决方案
PDF的文档看起来比较简单，因为只是需要读取两个坐标位置的文本内容，而且位置相对固定。所以就直接用java的第三方库pdfbox来操作PDF文档。
2. 找个能操作PDF的第三方库pdfbox。
- 先下载pdfbox的jar包。
官网介绍 - pdfbox能干啥：
-
pdfbox是Apache软件基金会的一个开源项目，它提供API和工具来处理PDF文档。
-
pdfbox是Apache PDFBox的Java版本，它提供了一个类库，用于读取，写入，转换和创建PDF文档。
-
pdfbox支持处理各种PDF特性，如文本，字体，图像，表单字段，注释，书签，页面布局等。
-
pdfbox还提供了对加密和数字签名PDF文档的支持，以及对PDF文档的提取和合并。
-
pdfbox还提供了对PDF文档的验证，签名验证，加密验证和数字签名的支持。
-
PDFBox是一个用于处理PDF文档的Java库。它提供了一组功能强大的API，可以用于创建、修改和提取PDF文档的内容。PDFBox可以用于各种用途，包括生成PDF文档、提取文本和图像、合并和拆分PDF文件、添加水印和书签等。
-
PDFBox支持处理各种PDF特性，如文本、字体、图像、表单字段、注释、书签、页面布局等。它还提供了对加密和数字签名PDF文档的支持，以及对PDF文档的高级操作，如提取文本位置信息、提取图像和字体等。
-
3. maven加载包
pdfbox有三个大的版本，每个版本差异较大，这个时候如果要引入的时候，要注意对应的版本了，否则demo就有可能跑不起来。  pdfbox最新的大版本是3.0。作为新时代的青年，肯定要与时俱进。3.0肯定是要用上的。3. 先验证下第三方库是否可行
下载jar包后，直接用java代码跑下demo。 demo读取pdf文档内容并输出文本数据到控制台
import org.apache.pdfbox.pdmodel.PDDocument; import org.apache.pdfbox.text.PDFTextStripper; import java.io.File; import java.io.IOException; public class PDFBoxDemo { public static void main(String[] args) throws IOException { PDDocument document = PDDocument.load(new File("D:\\pdf\\test.pdf")); PDFTextStripper stripper = new PDFTextStripper(); String text = stripper.getText(document); System.out.println(text); document.close(); } }发现demo跑起来后，报错。
原因是因为demo是2.0的版本，而当前的jar包是3.0的版本。PDDocument.load这个修改为Loader.load就OK了。
接下来，就是如何获取到指定坐标位置的文本内容。
4. 确认文本在PDF文档中的坐标位置。
确认PDF文本坐标一般有两种方案。
1. 代码校验（最精准）
先用demo跑下，看下是否可以读取到指定坐标位置的文本内容。
public static Point getPoint(File file,String sourceTex) { Point point = new Point(); //获取文档坐标 try { PDDocument document = Loader.loadPDF(file); PDFTextStripper textStripper = new PDFTextStripper() { @Override protected void writeString(String text, List<TextPosition> textPositions) throws IOException { if (text.contains(targetText)) { TextPosition textPositionStart = textPositions.get(0); TextPosition textPositionEnd = textPositions.get(textPositions.size()-1); point.setX(textPositionStart.getX()); point.setY(textPositionStart.getY()); } } }; textStripper.setSortByPosition(true); textStripper.setStartPage(1); textStripper.setEndPage(document.getNumberOfPages()); textStripper.getText(document); document.close(); } catch (IOException e) { e.printStackTrace(); } return point; }跑完demo后，发现可以读取到指定坐标位置的文本内容。
这里会有个小问题，就是返回的坐标点有的会有小数。因为当前返回类型float，所以需要转换成int。
2. 最直接粗暴的方法。
1. 福昕PDF文档工具。 2. 直接用福昕PDF文档定位工具定位坐标。 说实话，开发比较少用这种方式，因为感觉有点lower(其实是自己不太会用)5. 整个demo先验证第三方库是否可行。
拿1个文件试试水
public static void main(String[] args) { String filePath = "D:\\test\\test.pdf"; try { PDDocument document = Loader.loadPDF(file); PDFTextStripperByArea textStripper = new PDFTextStripperByArea (); Rectangle rectangle = new Rectangle(80,120, 250,10); String regionName = "regionName"; textStripper.addRegion(regionName, rectangle); PDPage page = document.getPage(0); textStripper.extractRegions(page); String text = textStripper.getTextForRegion(regionName); System.out.println(text); textStripper.setSortByPosition(true); textStripper.setStartPage(1); textStripper.setEndPage(document.getNumberOfPages()); textStripper.getText(document); document.close(); }catch (IOException e) { e.printStackTrace(); } }结果能够正常输出对应的文本内容。
6. 整活上代码。
奉上全部demo代码
package com.example.demo;import cn.hutool.poi.excel.ExcelUtil;import cn.hutool.poi.excel.ExcelWriter;import com.alibaba.fastjson2.JSON;import org.apache.pdfbox.Loader;import org.apache.pdfbox.pdmodel.PDDocument;import org.apache.pdfbox.pdmodel.PDPage;import org.apache.pdfbox.text.PDFTextStripper;import org.apache.pdfbox.text.PDFTextStripperByArea;import org.apache.pdfbox.text.TextPosition;import org.springframework.boot.test.autoconfigure.data.cassandra.DataCassandraTest;import java.awt.*;import java.awt.geom.Rectangle2D;import java.io.File;import java.io.IOException;import java.util.*;import java.util.List;import java.util.stream.Collectors;public class PdfDemo {//要匹配的位置内容点 private static final String[] target= {"name", "address"}; public static void main(String[] args) { ExcelWriter excelWriter= ExcelUtil.getWriter("D:\\test\\pdf\\test.xls"); String folderPath = "D:\\test\\pdf"; File folder = new File(folderPath); if (folder.exists() && folder.isDirectory()) { List<Map<String,Object>> mps = listPdfFiles(folder); excelWriter.write(mps, true); } else { System.out.println("Invalid folder path."); } excelWriter.close(); } private static List<Map<String,Object>> listPdfFiles(File folder) { List<Map<String,Object>> mps = new ArrayList<>(); File[] files = folder.listFiles(); if (files != null) { for (File file : files) { if (file.isDirectory()) { listPdfFiles(file); // 递归调用，处理子文件夹 } else { String fileName = file.getName(); if (fileName.toLowerCase().endsWith(".pdf")) { mps.add(getLineData(file)); } } } } return mps; } public static Map<String,Object> getLineData(File file){ Map<String,Object> lineData = new HashMap<>(target.length+2); List<Point> pointList = getPoint(file); String[] arr= getPointValue(file, pointList.stream().map(s -> new Rectangle(s.getX(), s.getY(), 260, 10)).toArray(Rectangle[]::new)); if(arr.length>=target.length) { for(int i=0;i<target.length;i++) { lineData.put(target[i], arr[i]); } lineData.put("fileName", file.getName().toLowerCase().replace(".pdf", "")); } return lineData; } public static String[] getPointValue( File file,Rectangle... rectangles){ String[] textArr = new String[rectangles.length]; // String text=""; try { PDDocument document = Loader.loadPDF(file); PDFTextStripperByArea textStripper = new PDFTextStripperByArea (); for(int i = 0; i < rectangles.length;i++ ) { Rectangle rectangle =rectangles[i]; String regionName = "regionName"+rectangle.getX()+rectangle.getY(); textStripper.addRegion(regionName, rectangle); PDPage page = document.getPage(0); textStripper.extractRegions(page); // 获取区域的text String text = textStripper.getTextForRegion(regionName); text = text.replace("\u0000","-").replace(" ",""); System.out.println(">>text"+text); textArr[i]=text; } textStripper.setSortByPosition(true); textStripper.setStartPage(1); textStripper.setEndPage(document.getNumberOfPages()); textStripper.getText(document); document.close(); }catch (IOException e) { e.printStackTrace(); } return textArr; } public static List<Point> getPoint( File file){ List<Point> pointList=new ArrayList<>(); try { PDDocument document = Loader.loadPDF(file); PDFTextStripper textStripper = new PDFTextStripper() { @Override protected void writeString(String text, List<TextPosition> textPositions) throws IOException { for(String target:target){ if (text.contains(target)) { Point point = new Point(); TextPosition textPositionEnd = textPositions.get(textPositions.size() - 1); point.setX((int) textPositionEnd.getEndX()); point.setY((int) textPositionEnd.getY()); pointList.add(point); } } } }; textStripper.setSortByPosition(true); textStripper.setStartPage(1); textStripper.setEndPage(document.getNumberOfPages()); textStripper.getText(document); document.close(); } catch (IOException e) { e.printStackTrace(); } System.out.println(">>>>>pointList" + JSON.toJSONString(pointList)); return pointList; }} 7. 验证代码可行性
整理出来的excel，检查里面有些空格没有处理，就让业务自己批量替换一下。
因为代码只是一次性用的，就没有怎么进行封装了。总体来讲业务同事比较满意。
结论
- 第三方库pdfbox可以操作PDF文档。3.0版本之后和历史版本相差比较大，最好先阅读下源码。
- 坐标定位的话，可以用第三方也可以代码定位
- 如果代码后续想复用的话，最好抽离出公共方法
- 文件比较多的情况下，建议增加多线程处理。
来源地址：https://blog.csdn.net/m290345792/article/details/132190030
