导读：怎样从PDF中提取内容，了解一下。
如果有一种方法可以自动对PDF内容进行验证，那么程序员的生活会有多轻松！
不知道你是不是听过Java提供一种工具，可以提取PDDF的内容。本文就来向你介绍这种工具，它的名字叫 Apache PDFBox。
什么是PDFBox
Apache PDFBox库是用来处理PDF文档的开源Java工具。它可帮我们做到：
1）创建新PDF文档；
2）更新现有文档；
例如添加样式，增加超链接等；
3）从PDF文档中提出内容。
从PDF阅读内容
当我们能够从PDF提取文本内容时，问题已经解决一半。下面我们举代码示例来完成此任务。
Apche PDFTextStripper的类PDFTextStripper（https://pdfbox.apache.org/docs/2.0.7/javadocs/org/apache/pdfbox/text/PDFTextStripper.html）可以将PDF中的文本以去除所有格式的形式提出出来。它将忽略所有格式和特别样式。
tStripper = new PDFTextStripper();tStripper.setStartPage(1);tStripper.setEndPage(3);PDDOocument document = PDDocument.load(new File("youpdfname.pdf"));document.getClass();if(!document.isEncrypted()){pdfFileInText = tStripper.getText(document);lines = pdfFileIntext.split("\\r\\n\\r\\n");for(String line : llines){System.out.printlln(line);content += line;}}System.out.println(content.trim());
从PDF文件中获得所有超链接
第二件事是验证PDF中的超链接。下列代码为大家提供了PDF文档中的超链接。
PDPage类（https://pdfbox.apache.org/docs/2.0.2/javadocs/org/apache/pdfbox/pdmodel/PDPage.html）中的getAnnotations()方法提供了取得文档中的注释列表。接下来，获取文档或页面中的URI列表，使用PDActionURI（https://pdfbox.apache.org/docs/2.0.4/javadocs/org/apache/pdfbox/pdmodel/interactive/action/PDActionURI.html）
PDDocument document = PDDocument.load(new File("name.pdf"));document.getClass();PDPage pdfpage = document.getPage(1); annotations = pdfpage.getAnnotations(); for (int j = 0; j < annotations.size(); j++) { PDAnnotation annot = annotations.get(j); if (annot instanceof PDAnnotationLink) { PDAnnotationLink link = (PDAnnotationLink) annot; PDAction action = link.getAction(); if (action instanceof PDActionURI) { PDActionURI uri = (PDActionURI) action; urls += uri.getURI(); System.out.println(uri.getURI()); } } } }从PDF文件中导出图片
除了文本与超链接外，PDFBox还提供了从文档中提取图片的功能。
PDPage类（https://pdfbox.apache.org/docs/2.0.2/javadocs/org/apache/pdfbox/pdmodel/PDPage.html#getResources()）还提供了getResource() 方法，用来取得PDF中的所有资源对象，比如图片对象的列表。
PDDocument document = PDDocument.load(new File("name.pdf"));PDPage pdfpage = document.getPage(1); int i = 1; PDResources pdResources = pdfpage.getResources(); for (COSName c : pdResources.getXObjectNames()) { PDXObject o = pdResources.getXObject(c); if (o instanceof org.apache.pdfbox.pdmodel.graphics.image.PDImageXObject) { File file = new File(i + ".png"); i++; ImageIO.write(((org.apache.pdfbox.pdmodel.graphics.image.PDImageXObject) o).getImage(), "png", file); } }获得PDF中超链接中的单词
从PDF中获取文本、超链接和图片的任务变得很简单。接下来，我们进一步了解如何提取超链接的单词。
如我们在第二部分中所见，对于“链接”注释以及每一个链接，可使用PDRectangle类来裁剪文本区域。
以下代码为大家提供了取得在文档中超链接中单词的列表：
PDDocument document = PDDocument.load(new File("name.pdf")); int pageNum=0; for( PDPage page : doc.getPages() ) { pageNum++; PDFTextStripperByArea stripper = new PDFTextStripperByArea(); List<PDAnnotation> annotations = page.getAnnotations(); //first setup text extraction regions for( int j=0; j<annotations.size(); j++ ) { PDAnnotation annot = annotations.get(j); if( annot instanceof PDAnnotationLink ) { PDAnnotationLink link = (PDAnnotationLink)annot; PDRectangle rect = link.getRectangle(); //need to reposition link rectangle to match text space float x = rect.getLowerLeftX(); float y = rect.getUpperRightY(); float width = rect.getWidth(); float height = rect.getHeight(); int rotation = page.getRotation(); if( rotation == 0 ) { PDRectangle pageSize = page.getMediaBox(); y = pageSize.getHeight()-y; } else if( rotation == 90 ) {} Rectangle2D.Float awtRect = new Rectangle2D.Float( x,y,width,height ); stripper.addRegion( "" + j, awtRect ); } } stripper.extractRegions( page ); for( int j=0; j<annotations.size(); j++ ) { PDAnnotation annot = annotations.get(j); if( annot instanceof PDAnnotationLink ) { PDAnnotationLink link = (PDAnnotationLink)annot; PDAction action = link.getAction(); String urlText = stripper.getTextForRegion( "" + j ); if( action instanceof PDActionURI ) { PDActionURI uri = (PDActionURI)action; System.out.println( "Page " + pageNum +":'" + urlText.trim() + "'=" + uri.getURI() ); } } } }以上为全部。祝大家顺利愉快。
