国产化PDF处理控件Spire.PDF教程:在Java中读取PDF,提取文本、图片和表格


在数据驱动的现代开发中,高效处理 PDF 文档已成为 Java 开发者不可或缺的核心能力。无论是处理各类发票扫描件、业务分析报告,还是包含丰富图表的技术文档,掌握 Java 版的 PDF 解析技术都将大幅提升数据处理效率,充分释放文档中的商业价值。

E-iceblue旗下Spire系列产品,是文档处理组件领域的佼佼者,支持国产化信创。本指南将介绍如何使用 Spire.PDF for Java 读取 PDF 文档 ,涵盖从可搜索的 PDF 提取文本 、表格和 图片 ,以及通过 OCR 技术从扫描版 PDF 中读取文本。

Spire.PDF for Java免费试用下载,请联系e-iceblue官方授权合作经销商慧都科技 

加入Spire技术交流QQ群(125237868),与更多开发者一起提升文档开发技能。

用于读取 PDF 内容的 Java 库

选择适合的库是成功读取 PDF 的关键。Spire.PDF 以其稳定性和丰富功能脱颖而出,支持文本提取、图片获取、表格解析及 OCR 集成,其直观 API 和完善的教程对新手和专家同样友好。

开始前请从官网下载 Spire.PDF for Java 并添加至项目依赖。Maven 用户请在 pom.xml 中添加:

<repositories>
    <repository>
        <id>com.e-iceblue</id>
        <name>e-iceblue</name>
        <url>https://repo.e-iceblue.cn/repository/maven-public/</url>
    </repository>
</repositories>
<dependencies>
    <dependency>
        <groupId>e-iceblue</groupId>
        <artifactId>spire.pdf</artifactId>
        <version>11.6.2</version>
    </dependency>
</dependencies>

下文将演示如何运用 Spire.PDF 完成各类 PDF 读取任务。

Java 从可搜索 PDF 读取文本

可搜索 PDF 以机器可读的格式存储文本,便于高效提取内容。Spire.PDF 中的 PdfTextExtractor 类可直接获取可搜索PDF的页面文本,而 PdfTextExtractOptions 能灵活设置提取参数,包括文本布局处理策略和指定提取区域。

以下示例展示如何使用 Java 提取 PDF 所有页面的文本并输出到TXT文件:

import com.spire.pdf.PdfDocument;
import com.spire.pdf.PdfPageBase;
import com.spire.pdf.texts.PdfTextExtractOptions;
import com.spire.pdf.texts.PdfTextExtractor;
import com.spire.pdf.texts.PdfTextStrategy;

import java.io.IOException;
import java.nio.file.Files;
import java.nio.file.Path;
import java.nio.file.Paths;

public class ExtractTextFromSearchablePdf {

    public static void main(String[] args) throws IOException {

        // 创建一个 PdfDocument 对象
        PdfDocument doc = new PdfDocument();

        // 加载 PDF 文件
        doc.loadFromFile("C:\\Users\\Administrator\\Desktop\\Input.pdf");

        // 遍历所有页面
        for (int i = 0; i < doc.getPages().getCount(); i++) {

            // 获取当前页面
            PdfPageBase page = doc.getPages().get(i);

            // 创建一个 PdfTextExtractor 对象
            PdfTextExtractor textExtractor = new PdfTextExtractor(page);

            // 创建一个 PdfTextExtractOptions 对象
            PdfTextExtractOptions extractOptions = new PdfTextExtractOptions();

            // 指定提取策略
            extractOptions.setStrategy(PdfTextStrategy.None);

            // 从页面中提取文本
            String text = textExtractor.extract(extractOptions);

            // 定义输出文件路径
            Path outputPath = Paths.get("output/Extracted_Page_" + (i + 1) + ".txt");

            // 写入 txt 文件
            Files.write(outputPath, text.getBytes());
        }

        // 关闭文档
        doc.close();
    }
}

效果图:

Java 从 PDF 文档读取图片

对于包含图形的 PDF,PdfImageHelper 类能精准提取所有嵌入式图片。通过 PdfImageInfo 对象可将图片保存为标准图像文件,特别适用于产品图册等视觉内容重要的文档。

以下Java示例将 PDF 文档中的所有图片提取为 PNG 文件:

import com.spire.pdf.PdfDocument;
import com.spire.pdf.PdfPageBase;
import com.spire.pdf.utilities.PdfImageHelper;
import com.spire.pdf.utilities.PdfImageInfo;

import javax.imageio.ImageIO;
import java.awt.image.BufferedImage;
import java.io.File;
import java.io.IOException;

public class ExtractAllImages {

    public static void main(String[] args) throws IOException {

        // 创建一个 PdfDocument 对象
        PdfDocument doc = new PdfDocument();

        // 加载 PDF 文档
        doc.loadFromFile("C:\\Users\\Administrator\\Desktop\\Input.pdf");

        // 创建一个 PdfImageHelper 对象
        PdfImageHelper imageHelper = new PdfImageHelper();

        // 声明一个整型变量
        int m = 0;

        // 遍历页面
        for (int i = 0; i < doc.getPages().getCount(); i++) {

            // 获取特定页面
            PdfPageBase page = doc.getPages().get(i);

            // 获取页面中的所有图像信息
            PdfImageInfo[] imageInfos = imageHelper.getImagesInfo(page);

            // 遍历图像信息
            for (int j = 0; j < imageInfos.length; j++)
            {
                // 获取特定图像信息
                PdfImageInfo imageInfo = imageInfos[j];

                // 获取图像
                BufferedImage image = imageInfo.getImage();
                File file = new File(String.format("output/Image-%d.png",m));
                m++;

                // 以 PNG 格式保存图像文件
                ImageIO.write(image, "PNG", file);
            }
        }

        // 清理资源
        doc.dispose();
    }
}

效果图:

Java 从 PDF 文件读取表格数据

Spire.PDF 提供的 PdfTableExtractor 类能智能识别表格边界,生成的 PdfTable 对象保持原始结构,并支持使用 PdfTable.getText() 方法获取具体单元格中的文本。该功能特别适用于从财务报表等结构化文档提取数据。

以下 Java 代码将 PDF 中的每一个表格导出为单独的TXT文件:

import com.spire.pdf.PdfDocument;
import com.spire.pdf.utilities.PdfTable;
import com.spire.pdf.utilities.PdfTableExtractor;

import java.io.FileWriter;

public class ExtractTableData {
    public static void main(String[] args) throws Exception {

        // 创建一个 PdfDocument 对象
        PdfDocument doc = new PdfDocument();

        // 加载 PDF 文档
        doc.loadFromFile("C:\\Users\\Administrator\\Desktop\\Input.pdf");

        // 创建一个 PdfTableExtractor 实例
        PdfTableExtractor extractor = new PdfTableExtractor(doc);

        // 初始化表计数器
        int tableCounter = 1;

        // 遍历 PDF 中的页面
        for (int pageIndex = 0; pageIndex < doc.getPages().getCount(); pageIndex++) {

            // 从当前页面提取表格到 PdfTable 数组
            PdfTable[] tableLists = extractor.extractTable(pageIndex);

            // 如果找到任何表格
            if (tableLists != null && tableLists.length > 0) {

                // 遍历数组中的表格
                for (PdfTable table : tableLists) {

                    // 为当前表格创建一个 StringBuilder
                    StringBuilder builder = new StringBuilder();

                    // 遍历当前表格中的行
                    for (int i = 0; i < table.getRowCount(); i++) {

                        // 遍历当前表格中的列
                        for (int j = 0; j < table.getColumnCount(); j++) {

                            // 从当前表格单元格中提取数据并附加到 StringBuilder
                            String text = table.getText(i, j);
                            builder.append(text).append(" | ");
                        }
                        builder.append("\r\n");
                    }

                    // 为每个表格写入一个单独的 .txt 文档
                    FileWriter fw = new FileWriter("output/Table_" + tableCounter + ".txt");
                    fw.write(builder.toString());
                    fw.flush();
                    fw.close();

                    // 增加表计数器
                    tableCounter++;
                }
            }
        }

        // 清理资源
        doc.dispose();
    }
}

效果图:

通过 OCR 将扫描版 PDF 转为文本

从扫描版的 PDF 提取文本需要依赖 OCR 引擎,如Spire.OCR for Java。本解决方案首先使用 Spire.PDF 的渲染引擎将页面转换为图片,然后通过 Spire.OCR 的 OcrScanner 类从图片识别文字。通过这两步法,可以有效地将实体文档扫描转换为可编辑文本,且支持多种语言。

步骤 1. 安装Spire.OCR 并配置环境

  • 下载 Spire.OCR for Java,并将 Jar 文件作为依赖添加到您的项目中。
  • 从以下链接中下载适合您操作系统的模型,并将压缩包解压到您磁盘上的某个位置。
    • Windows x64
    • Linux x64
    • macOS 10.15 及更高版本
  • 在您的代码中配置模型。
OcrScanner scanner = new OcrScanner();
configureOptions.setModelPath("D:\\win-x64"); // 模型路径

步骤 2. 将扫描的 PDF 转换为文本

此代码示例将扫描 PDF 的每一页转换为图像文件,应用 OCR 提取文本,并将结果保存到文本文件中。

import com.spire.ocr.OcrException;
import com.spire.ocr.OcrScanner;
import com.spire.ocr.ConfigureOptions;
import com.spire.pdf.PdfDocument;
import com.spire.pdf.graphics.PdfImageType;

import javax.imageio.ImageIO;
import java.awt.image.BufferedImage;
import java.io.File;
import java.io.IOException;
import java.nio.file.Files;
import java.nio.file.Path;
import java.nio.file.Paths;

public class ExtractTextFromScannedPdf {

    public static void main(String[] args) throws IOException, OcrException {

        // 创建 OcrScanner 类的实例
        OcrScanner scanner = new OcrScanner();

        // 配置扫描器
        ConfigureOptions configureOptions = new ConfigureOptions();
        configureOptions.setModelPath("D:\\win-x64"); // 设置模型路径
        configureOptions.setLanguage("Chinese"); // 设置语言

        // 应用配置选项
        scanner.ConfigureDependencies(configureOptions);

        // 加载 PDF 文档
        PdfDocument doc = new PdfDocument();
        doc.loadFromFile("C:\\Users\\Administrator\\Desktop\\Input.pdf");

        // 准备临时目录
        String tempDirPath = "temp";
        new File(tempDirPath).mkdirs(); // 创建临时目录

        StringBuilder allText = new StringBuilder();

        // 遍历所有页面
        for (int i = 0; i < doc.getPages().getCount(); i++) {

            // 将页面转换为图像
            BufferedImage bufferedImage = doc.saveAsImage(i, PdfImageType.Bitmap);
            String imagePath = tempDirPath + File.separator + String.format("page_%d.png", i);
            ImageIO.write(bufferedImage, "PNG", new File(imagePath));

            // 执行 OCR
            scanner.scan(imagePath);
            String pageText = scanner.getText().toString();
            allText.append(String.format("\n--- PAGE %d ---\n%s\n", i + 1, pageText));

            // 清理临时图像
            new File(imagePath).delete();
        }

        // 将所有提取的文本保存到文件
        Path outputTxtPath = Paths.get("output", "extracted_text.txt");
        Files.write(outputTxtPath, allText.toString().getBytes());

        // 关闭文档
        doc.close();
        System.out.println("文本已提取到 " + outputTxtPath);
    }
}

效果图:

结语

在数字化转型的浪潮中,PDF 文档作为企业信息的重要载体,其高效处理能力已成为现代开发者的核心竞争力。通过本指南介绍的 Spire.PDF for Java 技术方案,开发者可以轻松应对各类 PDF 数据提取需求,从简单的文本和图片提取 到复杂的 表格数据解析 ,再到 扫描文档的智能识别 ,帮助企业更好地管理和利用文档信息。

此外,Spire.PDF for Java 提供了一套全面的工具和功能,使开发者能够构建起完整的文档自动化处理能力。无论是自动化生成报告、批量处理文档,还是提取特定数据以供分析,开发者都能通过灵活的 API 和丰富的示例代码,快速实现这些功能。这不仅提高了工作效率,也减少了人工操作的错误率,为企业带来了更高的生产力和竞争优势。

常见问题

Q1:如何使用 Java 从扫描 PDF 提取文本?

结合 Spire.PDF for Java 和 Spire.OCR for Java 即可实现:先将 PDF 页面转为图片,再进行 OCR 识别。

Q2:在Java 中读取 PDF 的最佳库是什么?

强烈推荐 Spire.PDF for Java,因为它功能多样且易于使用。它支持文本、图像、表格的提取以及 OCR 集成。

Q3:Spire.PDF 是否支持提取元数据、附件和超链接?

是的, Spire.PDF支持提取:

  • 元数据(标题/作者/关键词)
  • 附件(嵌入文件)
  • 超链接( URL 和文档链接)

该库提供 PdfDocumentInformation 类获取元数据,以及用于获取附件( PdfAttachmentCollection )和超链接( PdfUriAnnotation )的方法。

Q4:如何以编程方式将 PDF表格提取为 CSV/Excel?

使用 Spire.PDF for Java,您可以从 PDF 中提取表格数据,然后通过 Spire.XLS for Java 无缝导出到 Excel(XLSX)或 CSV 格式。