安卓开发中如何使用PDFBox从PDF文档特定区域提取文本-java教程-PHP中文网

安卓开发中如何使用PDFBox从PDF文档特定区域提取文本

心靈之曲

发布： 2025-11-14 21:39:00

原创

986人浏览过

安卓开发中如何使用PDFBox从PDF文档特定区域提取文本

本教程旨在指导android开发者如何从pdf文档的特定区域精确提取文本。文章将解决标准pdfbox库在android环境下常见的兼容性问题，并详细介绍如何利用专门为android优化的pdfbox库（`com.tom-roush:pdfbox-android`）来定义文本提取区域，通过`rectf`实现精准定位，并提供完整的代码示例。

1. 引入Android兼容的PDFBox库

在Android项目中尝试从PDF文档的特定区域提取文本时，直接使用Apache PDFBox库可能会遇到兼容性挑战。一个主要的问题是PDFTextStripperByArea.addRegion()方法期望接收一个java.awt.geom.Rectangle2D类型的参数，而Android SDK中并没有直接对应的Rectangle2D类，这使得无法直接使用Android原生的Rect类来定义区域。

为了克服这一障碍，我们可以采用一个专门为Android平台优化的PDFBox库——com.tom-roush:pdfbox-android。这个库解决了Android环境下的兼容性问题，并提供了与Android原生图形类（如RectF）无缝集成的能力。

在您的Android项目的build.gradle (Module: app)文件中，添加以下依赖：

dependencies {
    // 引入针对Android平台优化的PDFBox库
    // 请注意：版本号 '2.0.25.0' 仅为示例，建议查阅GitHub仓库获取最新稳定版本
    implementation 'com.tom-roush:pdfbox-android:2.0.25.0' 
}

登录后复制

添加依赖后，请同步您的Gradle项目，以确保库文件被正确下载和集成。

2. 初始化PDFBox资源加载器

在使用pdfbox-android库执行任何PDF操作之前，必须先对其内部资源加载器进行初始化。这一步骤至关重要，它确保了库能够正确地加载和管理所需的资源。通常，您可以在应用程序的Application类中的onCreate()方法里完成此初始化，或者在首次进行PDF操作的Activity或Fragment中调用，但需确保在任何PDFBox API调用之前执行。

夸克文档

夸克文档智能创作工具，支持AI写作/AIPPT/AI简历/AI搜索等

484

查看详情

import org.apache.pdfbox.android.PDFBoxResourceLoader;
import android.app.Application; // 如果在Application类中初始化
import androidx.appcompat.app.AppCompatActivity; // 如果在Activity中初始化
// ... 其他必要的导入

// 示例：在Activity中进行初始化
public class MainActivity extends AppCompatActivity {

    @Override
    protected void onCreate(Bundle savedInstanceState) {
        super.onCreate(savedInstanceState);
        setContentView(R.layout.activity_main);

        // 初始化PDFBox资源加载器
        // 确保在执行任何PDFBox操作之前调用此方法
        PDFBoxResourceLoader.init(getApplicationContext());

        // ... 应用程序的其他初始化逻辑
    }
}

登录后复制

3. 从PDF特定区域提取文本

完成初始化后，即可着手编写代码从PDF文档的指定区域提取文本。这一过程主要涉及加载PDF文档、精确定义目标提取区域、执行文本提取操作以及最终获取提取到的文本内容。

3.1 定义提取区域

pdfbox-android库的一个显著优势是它能够直接使用Android原生的android.graphics.RectF类来定义文本提取区域。RectF通过指定矩形的左上角坐标（left, top）和右下角坐标（right, bottom）来精确界定一个浮点型矩形区域。这完美解决了原始PDFBox库对Rectangle2D类型的依赖问题。

import android.graphics.RectF;
// ...
// 定义一个矩形区域，其左上角为(100, 100)，右下角为(300, 300)
RectF rect = new RectF(100, 100, 300, 300);

登录后复制

重要提示： 理解PDF文档的坐标系统对于精确定义提取区域至关重要。PDF的坐标通常以“点”（points）为单位，而非像素。此外，PDF坐标系的原点（0,0）可能位于页面的左下角或左上角，这取决于PDF文档的生成方式。因此，在实际应用中，您可能需要通过实验、查阅PDF规范或使用专业PDF工具来确定正确的坐标值，以便准确匹配您希望提取文本的区域。示例中的100, 100, 300, 300仅为演示目的，实际值应根据您的PDF内容进行调整。

3.2 完整的文本提取流程

以下是一个完整的Android代码示例，展示了如何结合权限管理、后台线程处理和PDFBox API，实现从PDF文件特定区域提取文本的功能：

import android.Manifest;
import android.content.pm.PackageManager;
import android.os.Bundle;
import android.os.Environment;
import androidx.annotation.NonNull;
import androidx.appcompat.app.AppCompatActivity;
import androidx.core.app.ActivityCompat;
import androidx.core.content.ContextCompat;

import org.apache.pdfbox.android.PDFBoxResourceLoader;
import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.text.PDFTextStripperByArea;

import java.io.File;
import java.io.IOException;

import android.graphics.RectF;
import android.util.Log;
import android.widget.Toast;

public class PdfTextExtractionActivity extends AppCompatActivity {

    private static final String TAG = "PdfTextExtraction";
    private static final int REQUEST_WRITE_EXTERNAL_STORAGE = 1; // 请求外部存储权限的请求码

    @Override
    protected void onCreate(Bundle savedInstanceState) {
        super.onCreate(savedInstanceState);
        setContentView(R.layout.activity_main); // 假设您有一个名为 activity_main.xml 的布局文件

        // 1. 初始化PDFBox资源加载器
        PDFBoxResourceLoader.init(getApplicationContext());

        // 2. 检查并请求外部存储读写权限
        // 对于Android 6.0 (API 23) 及更高版本，需要运行时权限
        if (ContextCompat.checkSelfPermission(this, Manifest.permission.WRITE_EXTERNAL_STORAGE)
                != PackageManager.PERMISSION_GRANTED) {
            ActivityCompat.requestPermissions(this,
                    new String[]{Manifest.permission.WRITE_EXTERNAL_STORAGE},
                    REQUEST_WRITE_EXTERNAL_STORAGE);
        } else {
            // 如果权限已授予，则直接执行PDF文本提取
            extractTextFromPdf();
        }
    }

    // 处理权限请求结果的回调
    @Override
    public void onRequestPermissionsResult(int requestCode, @NonNull String[] permissions, @NonNull int[] grantResults) {
        super.onRequestPermissionsResult(requestCode, permissions, grantResults);
        if (requestCode == REQUEST_WRITE_EXTERNAL_STORAGE) {
            if (grantResults.length > 0 && grantResults[0] == PackageManager.PERMISSION_GRANTED) {
                // 权限被授予，执行PDF文本提取
                extractTextFromPdf();
            } else {
                // 权限被拒绝，向用户显示提示
                Toast.makeText(this, "存储权限被拒绝，无法读取PDF文件。", Toast.LENGTH_SHORT).show();
            }
        }
    }

    /**
     * 执行PDF文本提取操作。
     * 此方法应在后台线程中调用，以避免阻塞UI线程。
     */
    private void extractTextFromPdf() {
        // 在新的线程中执行PDF操作，避免阻塞UI线程
        new Thread(() -> {
            PDDocument document = null;
            try {
                // 3. 定位PDF文件
                // 假设您的PDF文件名为 "Test.pdf"，并位于设备的 Download 目录下
                File path = Environment.getExternalStoragePublicDirectory(Environment.DIRECTORY_DOWNLOADS);
                File file = new File(path, "Test.pdf");

                if (!file.exists()) {
                    runOnUiThread(() -> Toast.makeText(this, "PDF文件不存在: " + file.getAbsolutePath(), Toast.LENGTH_LONG).show());
                    Log.e(TAG, "PDF file not found: " + file.getAbsolutePath());
                    return;
                }

                // 加载PDF文档
                document = PDDocument.load(file);

                // 4. 创建PDFTextStripperByArea实例
                PDFTextStripperByArea stripper = new PDFTextStripperByArea();
                // 设置为按位置排序，有助于提高提取文本的逻辑顺序和准确性
                stripper.setSortByPosition(true); 

                // 5. 定义要提取的区域
                // 示例：定义一个从(100, 100)到(300, 300)的矩形区域
                RectF rect = new RectF(100, 100, 300, 300);
                // 为区域命名，以便后续通过名称获取文本
                stripper.addRegion("myRegion", rect); 

                // 6. 从PDF的第一页（索引为0）提取文本
                // 注意：getPage(0) 表示 PDF 文档的第一页
                stripper.extractRegions(document.getPage(0));

                // 7. 获取指定区域提取到的文本
                String extractedText = stripper.getTextForRegion("myRegion");

                // 将结果切换回UI线程显示
                runOnUiThread(() -> {
                    Toast.makeText(this, "提取到的文本: " + extractedText, Toast.LENGTH_LONG).show();
                    Log.d(TAG, "Extracted Text: " + extractedText);
                });

            } catch (IOException e) {
                // 处理文件I/O或PDF解析过程中可能发生的错误
                Log.e(TAG, "Error extracting text from PDF", e);
                runOnUiThread(() -> Toast.makeText(this, "提取PDF文本时发生错误: " + e.getMessage(), Toast.LENGTH_LONG).show());
            } finally {
                // 确保在任何情况下都关闭PDDocument，释放资源
                if (document != null) {
                    try {
                        document.close();
                    } catch (IOException e) {
                        Log.e(TAG, "Error closing PDF document", e);
                    }
                }
            }
        }).start(); // 启动新线程
    }
}

登录后复制