如何在Java中解析PDF（开发者教程）

本文将使用IronPDF库以高效的方法在Java中创建一个PDF解析器。

IronPDF - Java PDF 库

IronPDF for Java 是一个 Java PDF 库，可轻松准确地创建、读取和操作 PDF 文档。 它建立在 IronPDF for .NET 的成功基础之上，提供了跨不同平台的高效功能。 用于 Java 的 IronPDF 利用 IronPdfEngine，其速度快且经过性能优化。

使用IronPDF，您可以从PDF文件中提取文本和图像，还可以从各种来源创建PDF，包括HTML字符串、文件、URL和图像。 此外，您可以轻松地添加新内容，使用 IronPDF 插入签名，以及将元数据嵌入 PDF 文档。 IronPdf 专为 Java 8+、Scala 和 Kotlin 而设计，兼容 Windows、Linux 和云平台。

在 Java 程序中使用 IronPDF 创建 PDF 文件解析器

先决条件

要制作 Java PDF 解析项目，您需要以下工具：

1. Java IDE：您可以使用任何支持 Java 的 IDE。有多个 Java IDE 可供开发使用。 本教程将使用IntelliJ IDE。 您可以使用 NetBeans、Eclipse 等等。

2. Maven 项目：Maven 是一个依赖管理工具，允许对 Java 项目进行控制。 可以从Maven 官方网站下载 Java 的 Maven。 IntelliJ Java IDE 内置支持 Maven。

3. IronPDF - 您可以通过多种方式下载和安装IronPDF for Java。

   • 在 Maven 项目中将 IronPDF 依赖项添加到pom.xml文件中。

     :ProductInstall

• 访问Maven存储库网站以获取最新的IronPDF for Java软件包。

  • 从Iron Software 官网下载页面直接下载。

  • 在简单的 Java 应用程序中使用 JAR 文件手动安装 IronPDF。

4. Slf4j-Simple：此依赖项也是标记现有文档内容所必需的。 可以使用IntelliJ中的Maven依赖管理器添加，也可以直接从Maven网站下载。在pom.xml文件中添加以下依赖项：

    <dependency>
        <groupId>org.slf4j</groupId>
        <artifactId>slf4j-simple</artifactId>
        <version>2.0.5</version>
    </dependency>

    <dependency>
        <groupId>org.slf4j</groupId>
        <artifactId>slf4j-simple</artifactId>
        <version>2.0.5</version>
    </dependency>

添加必要的导入

安装好所有先决条件后，第一步就是导入必要的 IronPDF 软件包，以处理 PDF 文档。 在 Main.java 文件的顶部添加以下代码：

import com.ironsoftware.ironpdf.*;
import java.io.IOException;
import java.nio.file.Paths;

import com.ironsoftware.ironpdf.*;
import java.io.IOException;
import java.nio.file.Paths;

许可证密钥

IronPDF中的某些方法需要许可证才能使用。 您可以购买许可证或免费试用 IronPDF。 您可以将密钥设置如下：

License.setLicenseKey("YOUR-KEY");

License.setLicenseKey("YOUR-KEY");

步骤 1：解析现有 PDF 文档

要解析现有文档以提取内容，需要使用PdfDocument类。 其静态fromFile方法用于在Java程序中从特定路径和文件名解析PDF文件。 代码如下

PdfDocument parsedDocument = PdfDocument.fromFile(Paths.get("sample.pdf"));

PdfDocument parsedDocument = PdfDocument.fromFile(Paths.get("sample.pdf"));

解析的文档

第 2 步：从解析的 PDF 文件中提取文本数据

IronPDF for Java 提供了一种从 PDF 文档中提取文本 的简单方法。 以下代码片段用于从 PDF 文件中提取文本数据：

String extracted_text = parsedDocument.extractAllText();

String extracted_text = parsedDocument.extractAllText();

上述代码的输出结果如下：

输出

步骤 3：从 URL 或 HTML 字符串中提取文本数据

IronPDF for Java 的功能不仅限于现有的 PDF，它还可以创建和解析一个新文件以提取内容。 在本教程中，将从URL创建一个PDF文件并从中提取内容。 下面的示例展示了如何完成这项任务：

public class Main {
    public static void main(String[] args) throws IOException {
        License.setLicenseKey("YOUR-KEY");

        PdfDocument parsedDocument = PdfDocument.renderUrlAsPdf("https://ironpdf.com/java/");
        String extracted_text = parsedDocument.extractAllText();
        System.out.println("Text Extracted from URL:\n" + extracted_text);
    }
}

public class Main {
    public static void main(String[] args) throws IOException {
        License.setLicenseKey("YOUR-KEY");

        PdfDocument parsedDocument = PdfDocument.renderUrlAsPdf("https://ironpdf.com/java/");
        String extracted_text = parsedDocument.extractAllText();
        System.out.println("Text Extracted from URL:\n" + extracted_text);
    }
}

输出结果如下

输出

第 4 步：从解析的 PDF 文档中提取图片

IronPDF 还提供了一种简单的选项来从已解析的文档中提取所有图像。 在此，教程将使用之前的示例来说明如何轻松地从 PDF 文件中提取图像。

import com.ironsoftware.ironpdf.*;

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

public static void main(String[] args) throws IOException {
    License.setLicenseKey("YOUR-KEY");

    PdfDocument parsedDocument = PdfDocument.renderUrlAsPdf("https://ironpdf.com/java/");

    try {
        List<BufferedImage> images = parsedDocument.extractAllImages();
        System.out.println("Number of images extracted from the website: " + images.size());

        int i = 0;
        for (BufferedImage image : images) {
            ImageIO.write(image, "PNG", Files.newOutputStream(Paths.get("assets/extracted_" + ++i + ".png")));
        }
    } catch (Exception exception) {
        System.out.println("Failed to extract images from the website");
        exception.printStackTrace();
    }
}

import com.ironsoftware.ironpdf.*;

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

public static void main(String[] args) throws IOException {
    License.setLicenseKey("YOUR-KEY");

    PdfDocument parsedDocument = PdfDocument.renderUrlAsPdf("https://ironpdf.com/java/");

    try {
        List<BufferedImage> images = parsedDocument.extractAllImages();
        System.out.println("Number of images extracted from the website: " + images.size());

        int i = 0;
        for (BufferedImage image : images) {
            ImageIO.write(image, "PNG", Files.newOutputStream(Paths.get("assets/extracted_" + ++i + ".png")));
        }
    } catch (Exception exception) {
        System.out.println("Failed to extract images from the website");
        exception.printStackTrace();
    }
}

extractAllImages 方法返回一个 BufferedImages 列表。 然后，每个BufferedImage都可以使用ImageIO.write方法存储为PNG图像在某个位置。 解析后的 PDF 文件中有 34 张图片，每张图片都提取得非常完美。

提取的图像

步骤 5：从 PDF 文件的表格中提取数据

使用[extractAllText 方法](/java/object-reference/api/com/ironsoftware/ironpdf/PdfDocument.html#extractAllText()，只需一行代码即可轻松从PDF文件中的表格边界提取内容。 以下代码片段演示了如何从 PDF 文件的表格中提取文本：

PDF中的表格

PdfDocument parsedDocument = PdfDocument.fromFile(Paths.get("table.pdf"));
String extracted_text = parsedDocument.extractAllText();
System.out.println(extracted_text);

PdfDocument parsedDocument = PdfDocument.fromFile(Paths.get("table.pdf"));
String extracted_text = parsedDocument.extractAllText();
System.out.println(extracted_text);

输出结果如下

输出

结论

本文演示了如何使用 IronPDF for Java 在 Java 中解析现有 PDF 文档或从 URL 创建新的 PDF 解析器文件，以从中提取数据。 打开文件后，它可以从 PDF 中提取表格数据、图像和文本，还可以将提取的文本添加到文本文件中，以供日后使用。

有关如何在 Java 中以编程方式操作 PDF 文件的更多详细信息，请访问这些PDF 文件创建示例。

Java版IronPDF库在开发过程中是免费的，并且提供免费试用。 然而，商业用途可以通过IronSoftware获得许可，起价为$749。