在Java中高效搜索PDF文本并管理文件-java教程-PHP中文网

在java中高效搜索pdf文本并管理文件

本教程详细介绍了如何在Java应用程序中利用Apache PDFBox库从PDF文档中提取文本，并基于搜索结果执行文件复制或移动操作。文章将阐明为何不能直接将PDF作为普通文本文件处理，提供完整的代码示例，涵盖PDF文本提取、关键词搜索以及文件系统操作，并分享重要的注意事项和最佳实践，帮助开发者构建稳定可靠的PDF处理功能。

理解PDF文件特性与传统文本读取的局限性

PDF（Portable Document Format）文件是一种复杂的二进制格式，旨在保留文档的视觉外观，无论是在何种设备或操作系统上查看。与简单的文本文件不同，PDF内部存储的不是纯文本字符流，而是包含字体、图像、矢量图形、页面布局等多种元素的指令集。

因此，尝试使用Java的FileReader或BufferedReader等标准I/O类直接读取PDF文件，并期望通过readLine()或contains()方法搜索文本是无效的。这些方法会将PDF的二进制内容解释为字符，导致读取到乱码或无法识别的数据，从而无法正确执行文本搜索，也可能在后续处理中引发异常或产生“文件内容错误”的现象。为了正确地从PDF中提取可读文本，我们需要专门的库来解析其内部结构。

引入Apache PDFBox库

Apache PDFBox是一个开源的Java库，专门用于处理PDF文档。它提供了丰富的功能，包括创建、修改、提取文本、渲染和打印PDF文件。对于从PDF中提取文本的需求，PDFBox是业界广泛推荐和使用的解决方案。

立即学习“Java免费学习笔记（深入）”；

添加PDFBox依赖

在开始之前，你需要在你的项目中添加Apache PDFBox的依赖。如果你使用Maven，可以在pom.xml文件中添加以下内容：

<dependency>
    <groupId>org.apache.pdfbox</groupId>
    <artifactId>pdfbox</artifactId>
    <version>2.0.29</version> <!-- 请使用最新稳定版本 -->
</dependency>

登录后复制

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

登录后复制

从PDF中提取文本

使用PDFBox从PDF文件中提取文本的基本步骤如下：

LanguagePro

LanguagePro是一款强大的AI写作助手，可以帮助你更好、更快、更有效地写作。

120

查看详情

加载PDF文档： 通过PDDocument.load(File file)方法加载指定的PDF文件。
实例化PDFTextStripper： PDFTextStripper类负责从PDF文档中提取文本内容。
提取文本： 调用pdfStripper.getText(PDDocument document)方法获取整个文档的文本内容，该方法返回一个String。
关闭文档： 提取完成后，务必调用document.close()方法释放资源。

以下是提取PDF文本的示例代码：

import java.io.File;
import java.io.IOException;
import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.text.PDFTextStripper;

public class PdfTextExtractor {

    public String extractText(String filePath) throws IOException {
        File file = new File(filePath);
        PDDocument document = null;
        try {
            document = PDDocument.load(file);
            PDFTextStripper pdfStripper = new PDFTextStripper();
            return pdfStripper.getText(document);
        } finally {
            if (document != null) {
                document.close();
            }
        }
    }

    public static void main(String[] args) {
        String pdfPath = "D://Sample.pdf"; // 替换为你的PDF文件路径
        PdfTextExtractor extractor = new PdfTextExtractor();
        try {
            String text = extractor.extractText(pdfPath);
            System.out.println("提取的PDF文本内容：
" + text.substring(0, Math.min(text.length(), 500)) + "..."); // 打印前500字符
        } catch (IOException e) {
            System.err.println("从PDF提取文本时发生错误: " + e.getMessage());
            e.printStackTrace();
        }
    }
}

登录后复制

实现文本搜索逻辑

一旦我们成功从PDF中提取了完整的文本内容（一个String对象），就可以像处理任何其他字符串一样对其进行搜索。Java的String类提供了contains()方法，可以方便地检查一个字符串是否包含另一个子字符串。为了实现不区分大小写的搜索，可以先将文本和搜索词都转换为小写或大写。

public boolean searchWordInPdf(String pdfText, String searchWord) {
    if (pdfText == null || searchWord == null || searchWord.isEmpty()) {
        return false;
    }
    // 为了不区分大小写，将两者都转换为小写进行比较
    return pdfText.toLowerCase().contains(searchWord.toLowerCase());
}

登录后复制

文件操作：复制与移动

在确认PDF中包含特定关键词后，下一步通常是将该PDF文件复制或移动到另一个目录。Java 7引入的NIO.2（java.nio.file包）提供了强大且高效的文件系统操作API。

复制文件： 使用Files.copy(Path source, Path target, CopyOption... options)。
移动文件： 使用Files.move(Path source, Path target, CopyOption... options)。

这些方法允许你指定复制或移动的选项，例如StandardCopyOption.REPLACE_EXISTING（如果目标文件已存在则覆盖）或StandardCopyOption.ATOMIC_MOVE（尝试执行原子移动）。

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

public class FileOperations {

    public void copyFile(String sourcePath, String targetDirectory, String newFileName) throws IOException {
        Path source = Paths.get(sourcePath);
        Path targetDir = Paths.get(targetDirectory);
        if (!Files.exists(targetDir)) {
            Files.createDirectories(targetDir); // 如果目标目录不存在，则创建
        }
        Path target = targetDir.resolve(newFileName); // 构建目标文件路径

        Files.copy(source, target, StandardCopyOption.REPLACE_EXISTING);
        System.out.println("文件 '" + source.getFileName() + "' 已成功复制到 '" + target + "'。");
    }

    public void moveFile(String sourcePath, String targetDirectory, String newFileName) throws IOException {
        Path source = Paths.get(sourcePath);
        Path targetDir = Paths.get(targetDirectory);
        if (!Files.exists(targetDir)) {
            Files.createDirectories(targetDir); // 如果目标目录不存在，则创建
        }
        Path target = targetDir.resolve(newFileName); // 构建目标文件路径

        Files.move(source, target, StandardCopyOption.REPLACE_EXISTING);
        System.out.println("文件 '" + source.getFileName() + "' 已成功移动到 '" + target + "'。");
    }
}

登录后复制

完整示例代码：PDF文本搜索与文件管理

现在，我们将上述所有组件整合到一个完整的Java应用程序中，实现从用户输入搜索词，然后在指定PDF中搜索，并根据结果执行文件操作的功能。

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;
import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.text.PDFTextStripper;

public class PdfSearchAndMove {

    private static final String PDF_FILE_PATH = "C:\Users\user012\Desktop\Evalution.pdf"; // 待搜索的PDF文件路径
    private static final String TARGET_DIR_PATH = "C:\Users\user012\Desktop\Search"; // 目标目录路径

    /**
     * 从PDF文件中提取所有文本内容。
     * @param filePath PDF文件路径
     * @return 提取到的文本内容
     * @throws IOException 如果文件不存在或处理PDF时发生错误
     */
    public String extractTextFromPdf(String filePath) throws IOException {
        File file = new File(filePath);
        if (!file.exists() || !file.isFile()) {
            throw new IOException("PDF文件不存在或不是一个有效的文件: " + filePath);
        }

        PDDocument document = null;
        try {
            document = PDDocument.load(file);
            PDFTextStripper pdfStripper = new PDFTextStripper();
            return pdfStripper.getText(document);
        } finally {
            if (document != null) {
                document.close();
            }
        }
    }

    /**
     * 在给定的文本内容中搜索指定的关键词。
     * @param pdfText 从PDF中提取的文本内容
     * @param searchWord 待搜索的关键词
     * @return 如果找到关键词返回true，否则返回false
     */
    public boolean containsWord(String pdfText, String searchWord) {
        if (pdfText == null || searchWord == null || searchWord.isEmpty()) {
            return false;
        }
        // 不区分大小写搜索
        return pdfText.toLowerCase().contains(searchWord.toLowerCase());
    }

    /**
     * 将文件从源路径复制到目标目录。
     * @param sourceFilePath 源文件路径
     * @param targetDirectory 目标目录路径
     * @param newFileName 目标文件的新名称
     * @throws IOException 如果复制操作失败
     */
    public void copyPdfFile(String sourceFilePath, String targetDirectory, String newFileName) throws IOException {
        Path source = Paths.get(sourceFilePath);
        Path targetDir = Paths.get(targetDirectory);

        // 确保目标目录存在
        if (!Files.exists(targetDir)) {
            Files.createDirectories(targetDir);
        }

        Path target = targetDir.resolve(newFileName);

        // 复制文件，如果目标文件已存在则替换
        Files.copy(source, target, StandardCopyOption.REPLACE_EXISTING);
        System.out.println("文件 '" + source.getFileName() + "' 已成功复制到 '" + target + "'。");
    }

    public static void main(String[] args) {
        Scanner scanner = new Scanner(System.in);
        PdfSearchAndMove app = new PdfSearchAndMove();

        System.out.println("请输入您要搜索的单词 (输入 'Exit' 退出):");

        while (scanner.hasNextLine()) {
            String searchWord = scanner.nextLine().trim();

            if ("Exit".equalsIgnoreCase(searchWord)) {
                System.out.println("程序退出。");
                break;
            }

            if (searchWord.isEmpty()) {
                System.out.println("搜索词不能为空，请重新输入。");
                continue;
            }

            try {
                // 1. 从PDF中提取文本
                String pdfContent = app.extractTextFromPdf(PDF_FILE_PATH);

                // 2. 搜索关键词
                if (app.containsWord(pdfContent, searchWord)) {
                    System.out.println("是的，'" + searchWord + "' 在文件中。");
                    // 3. 如果找到，则复制文件
                    // 假设复制后的文件名为原文件名加上"_searched"后缀
                    String originalFileName = Paths.get(PDF_FILE_PATH).getFileName().toString();
                    String newFileName = originalFileName.replaceFirst("(\.pdf)$", "_searched$1");

                    app.copyPdfFile(PDF_FILE_PATH, TARGET_DIR_PATH, newFileName);
                } else {
                    System.out.println("不，'" + searchWord + "' 不在文件中。");
                }
            } catch (IOException e) {
                System.err.println("处理文件时发生错误: " + e.getMessage());
                // 打印完整的堆栈跟踪，以便调试
                e.printStackTrace(); 
            } catch (Exception e) {
                System.err.println("发生未知错误: " + e.getMessage());
                e.printStackTrace();
            }

            System.out.println("
请输入您要搜索的下一个单词 (输入 'Exit' 退出):");
        }

        scanner.close();
    }
}

登录后复制

注意事项与最佳实践

资源管理： 始终确保在使用完PDDocument后调用document.close()方法。这对于释放文件句柄和内存资源至关重要，尤其是在处理大量PDF文件时。使用try-finally块或Java 7的try-with-resources语句可以有效管理资源。
异常处理： 文件I/O和PDF解析操作都可能抛出IOException。务必捕获并妥善处理这些异常，例如打印错误信息或记录日志，以提高程序的健壮性。
性能考虑： 对于非常大的PDF文件，pdfStripper.getText()可能会消耗较多内存和时间。如果只需要搜索特定页面或对性能有严格要求，可以考虑优化PDFBox的使用，例如分批处理页面。
文件路径： 在Windows系统中，文件路径通常使用反斜杠。在Java代码中，建议使用正斜杠/或双反斜杠\来表示路径，或者使用Paths.get()方法，它能更好地处理不同操作系统的路径分隔符。
目标文件命名： 在复制或移动文件时，要仔细考虑目标文件的命名策略，避免覆盖重要文件。在示例中，我们添加了_searched后缀。
错误信息： 原始问题中提到“the pdf file showing something wrong”，这通常意味着文件内容被破坏或无法识别。使用正确的库（如PDFBox）来处理PDF可以避免此类问题。
用户体验： 在实际应用中，可以添加进度指示器、更详细的错误提示等，提升用户体验。