本教程详细介绍了如何使用apache pdfbox库在java中高效地从pdf文件中提取文本，并在此基础上实现关键词搜索功能。文章将指导读者如何正确处理pdf文件（而非将其视为纯文本），如何在提取的文本中执行搜索，以及如何根据搜索结果将pdf文件复制或移动到指定目录，同时提供完整的代码示例和最佳实践。
1. 理解PDF文件特性与挑战
PDF（Portable Document Format）文件是一种复杂的二进制格式，它不仅仅包含文本，还包括字体、图像、矢量图形、布局信息等。因此，直接使用Java的 FileReader 或 BufferedReader 对PDF文件进行读取，并不能正确地获取其内部的文本内容。尝试这样做通常会导致乱码或错误，因为这些类是为处理纯文本文件设计的，它们无法解析PDF的内部结构。
要正确地从PDF文件中提取文本，我们需要借助专门的PDF处理库，这些库能够理解PDF的内部结构并解析出可读的文本。
2. 引入Apache PDFBox库
Apache PDFBox 是一个开源的Java库，用于处理PDF文档。它提供了丰富的API，可以执行各种PDF操作，包括创建、修改、打印、渲染和从PDF中提取文本等。
2.1 添加PDFBox依赖
在使用PDFBox之前，需要将其添加到项目的依赖中。如果你使用Maven，可以在 pom.xml 文件中添加以下依赖：
立即学习“Java免费学习笔记（深入）”；
org.apache.pdfbox pdfbox 2.0.29
如果你使用Gradle，可以在 build.gradle 文件中添加：
implementation 'org.apache.pdfbox:pdfbox:2.0.29' // 请使用最新稳定版本
3. 从PDF中提取文本
使用PDFBox从PDF文件中提取文本是实现搜索功能的第一步。
Flash Builder操作指南 中文WORD版
下载
本文档主要讲述的是Flash Builder操作指南；Flash Builder将构成应用程序的资源（文件夹和文件）组合到一个容器中，我们将其称为项目。项目包含一组属性，这些属性控制应用程序的构建方式、构建的应用程序所在的位置、调试的处理方式以及该项目于工作空间中其他项目的关系。希望本文档会给有需要的朋友带来帮助；感兴趣的朋友可以过来看看
3.1 核心步骤
- 加载PDF文档： 使用 PDDocument.load(File file) 方法加载一个PDF文件。
- 创建文本提取器： 实例化 PDFTextStripper 类，它是PDFBox中用于提取文本的核心组件。
- 获取文本： 调用 PDFTextStripper 对象的 getText(PDDocument document) 方法，传入已加载的 PDDocument 对象，即可获取PDF的全部文本内容。
- 关闭文档： 提取完成后，务必调用 PDDocument.close() 方法关闭文档，释放系统资源。建议使用 try-with-resources 语句确保文档被正确关闭。
3.2 文本提取示例代码
import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.text.PDFTextStripper;
import java.io.File;
import java.io.IOException;
public class PdfTextExtractor {
public static String extractTextFromPdf(String filePath) throws IOException {
File file = new File(filePath);
// 使用 try-with-resources 确保 PDDocument 在使用后被关闭
try (PDDocument document = PDDocument.load(file)) {
PDFTextStripper pdfStripper = new PDFTextStripper();
String text = pdfStripper.getText(document);
return text;
}
}
public static void main(String[] args) {
String pdfPath = "D:\\Sample.pdf"; // 替换为你的PDF文件路径
try {
String extractedText = extractTextFromPdf(pdfPath);
System.out.println("PDF文件内容：\n" + extractedText.substring(0, Math.min(extractedText.length(), 500)) + "..."); // 打印前500字
} catch (IOException e) {
System.err.println("提取PDF文本时发生错误: " + e.getMessage());
}
}
}4. 在提取文本中执行搜索
一旦我们成功地从PDF中提取了所有文本内容（以 String 形式），就可以使用Java标准的字符串处理方法来执行关键词搜索。
4.1 常用搜索方法
- String.contains(CharSequence s): 检查字符串是否包含指定的字符序列。这是最简单直接的检查是否存在某个词语的方法。
- String.indexOf(String str): 返回指定子字符串第一次出现的索引，如果不存在则返回 -1。
- Pattern 和 Matcher (正则表达式): 对于更复杂的搜索模式（如忽略大小写、全词匹配、模糊匹配等），可以使用Java的正则表达式API。
4.2 结合文本提取和搜索逻辑
以下示例展示了如何在提取的PDF文本中搜索一个或多个关键词：
import java.io.IOException;
import java.util.Scanner;
public class PdfTextSearcher {
/**
* 在PDF文本中搜索指定词语
* @param pdfContent PDF文件的全部文本内容
* @param searchWord 要搜索的词语
* @param ignoreCase 是否忽略大小写
* @return 如果找到词语则返回 true，否则返回 false
*/
public static boolean searchInPdfContent(String pdfContent, String searchWord, boolean ignoreCase) {
if (pdfContent == null || pdfContent.isEmpty() || searchWord == null || searchWord.isEmpty()) {
return false;
}
if (ignoreCase) {
return pdfContent.toLowerCase().contains(searchWord.toLowerCase());
} else {
return pdfContent.contains(searchWord);
}
}
public static void main(String[] args) {
String pdfPath = "D:\\Sample.pdf"; // 替换为你的PDF文件路径
String pdfContent = null;
try {
pdfContent = PdfTextExtractor.extractTextFromPdf(pdfPath);
} catch (IOException e) {
System.err.println("加载或提取PDF文本失败: " + e.getMessage());
return;
}
if (pdfContent == null || pdfContent.isEmpty()) {
System.out.println("PDF内容为空，无法执行搜索。");
return;
}
Scanner scanner = new Scanner(System.in);
System.out.println("请输入要搜索的词语（输入 'Exit' 结束）：");
while (scanner.hasNextLine()) {
String searchWord = scanner.nextLine().trim();
if (searchWord.equalsIgnoreCase("Exit")) {
break;
}
if (searchInPdfContent(pdfContent, searchWord, true)) { // 忽略大小写搜索
System.out.println("是的，'" + searchWord + "' 在文件中。");
} else {
System.out.println("不，'" + searchWord + "' 不在文件中。");
}
System.out.println("请输入下一个要搜索的词语（输入 'Exit' 结束）：");
}
scanner.close();
System.out.println("搜索程序结束。");
}
}5. 根据搜索结果处理PDF文件
在确定PDF文件中包含特定关键词后，下一步是根据业务需求对文件进行操作，例如将其复制或移动到另一个目录。Java的 java.nio.file.Files 类提供了强大的文件操作功能。
5.1 文件复制与移动
- Files.copy(Path source, Path target, CopyOption... options): 复制文件。
- Files.move(Path source, Path target, CopyOption... options): 移动文件（剪切）。
常用的 CopyOption 包括：
- StandardCopyOption.REPLACE_EXISTING: 如果目标文件已存在，则替换它。
- StandardCopyOption.ATOMIC_MOVE: 以原子方式执行移动操作，确保操作要么完全成功，要么完全失败。
5.2 完整示例：搜索并根据结果复制/移动文件
以下是一个整合了PDF文本提取、关键词搜索和文件复制/移动功能的完整示例。
import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.text.PDFTextStripper;
import java.io.File;
import java.io.IOException;
import java.nio.file.Files;
import java.nio.file.Path;
import java.nio.file.Paths;
import java.nio.file.StandardCopyOption;
import java.util.Scanner;
public class PdfSearchAndFileOperation {
public static void main(String[] args) {
String sourcePdfPath = "C:\\Users\\user012\\Desktop\\Evalution.pdf"; // 替换为你的PDF文件路径
String targetDirectoryPath = "C:\\Users\\user012\\Desktop\\Search\\"; // 替换为目标目录路径
// 1. 确保目标目录存在，如果不存在则创建
Path targetDirPath = Paths.get(targetDirectoryPath);
if (!Files.exists(targetDirPath)) {
try {
Files.createDirectories(targetDirPath);
System.out.println("已创建目标目录: " + targetDirectoryPath);
} catch (IOException e) {
System.err.println("无法创建目标目录 '" + targetDirectoryPath + "': " + e.getMessage());
return; // 无法创建目录则退出
}
}
// 2. 尝试加载并提取PDF文本一次
String pdfContent = null;
try (PDDocument document = PDDocument.load(new File(sourcePdfPath))) {
PDFTextStripper pdfStripper = new PDFTextStripper();
pdfContent = pdfStripper.getText(document);
System.out.println("PDF文本提取成功。");
} catch (IOException e) {
System.err.println("加载或提取PDF文本失败: " + e.getMessage());
return; // 如果无法读取PDF，则退出程序
}
if (pdfContent == null || pdfContent.isEmpty()) {
System.out.println("PDF内容为空，无法搜索。");
return;
}
Scanner scanner = new Scanner(System.in);
System.out.println("请输入要搜索的词语（输入 'Exit' 结束）：");
// 3. 循环处理用户输入的搜索词
boolean fileMovedOrCopied = false; // 标志位，确保文件只被操作一次
while (scanner.hasNextLine()) {
String searchWord = scanner.nextLine().trim();
if (searchWord.equalsIgnoreCase("Exit")) {
break;
}
// 4. 执行搜索（忽略大小写）
if (pdfContent.toLowerCase().contains(searchWord.toLowerCase())) {
System.out.println("是的，'" + searchWord + "' 在文件中。");
// 5. 如果找到关键词且文件尚未被操作，则执行文件复制/移动
if (!fileMovedOrCopied) {
Path sourcePath = Paths.get(sourcePdfPath);
Path destinationPath = targetDirPath.resolve(sourcePath.getFileName()); // 保持原文件名
try {
// 复制文件到目标目录
// 如果需要移动文件，请使用 Files.move() 代替 Files.copy()
// Files.move(sourcePath, destinationPath, StandardCopyOption.REPLACE_EXISTING);
Files.copy(sourcePath, destinationPath, StandardCopyOption.REPLACE_EXISTING);
System.out.println("文件 '" + sourcePath.getFileName() + "' 已成功复制到 '" + targetDirectoryPath + "'。");
fileMovedOrCopied = true; // 设置标志位，避免重复操作
} catch (IOException e) {
System.err.println("复制文件失败: " + e.getMessage());
}
} else {
System.out.println("文件已因之前的搜索结果被操作，不再重复。");
}
} else {
System.out.println("不，'" + searchWord + "' 不在文件中。");
}
System.out.println("请输入下一个要搜索的词语（输入 'Exit' 结束）：");
}
scanner.close();
System.out.println("程序结束。");
}
}6. 注意事项与最佳实践
- 资源管理： 始终使用 try-with-resources 语句来加载 PDDocument，确保在处理完成后自动关闭文档并释放资源，避免内存泄漏。
- 异常处理： 对文件I/O操作（如 IOException）进行适当的异常处理，以提高程序的健壮性。
- 性能考量： 对于非常大的PDF文件，提取文本可能会消耗较多的内存和时间。如果需要处理大量文件或超大文件，可能需要考虑分批处理或优化内存使用。
-
PDF复杂性： PDFBox在处理大多数PDF文件时表现良好，但对于某些非常复杂、损坏或加密的PDF文件，文本提取可能会失败或不完整。
- 加密PDF： 如果PDF文件受密码保护，PDDocument.load() 方法可能需要提供密码参数。
- 图片PDF (扫描件)： 如果PDF文件是扫描件（即只包含图像而没有可选择的文本层），PDFBox将无法提取文本。在这种情况下，你需要结合OCR（光学字符识别）技术（如Tesseract）来识别图像中的文本。
- 文本格式： PDFBox提取的文本可能不总是完美地保留原始布局和格式，尤其是在处理多列、复杂表格或特殊排版的文档时。在搜索前，你可能需要对提取的文本进行额外的清洗和标准化。
- 文件操作： Files.copy() 和 Files.move() 是原子操作，但如果目标路径已存在且未指定 REPLACE_EXISTING 选项，则会抛出 FileAlreadyExistsException。根据你的需求选择合适的 CopyOption。
通过遵循本教程的指导，你可以有效地利用Apache PDFBox库在Java应用程序中实现PDF文本搜索和文件自动化处理功能。
