使用PDFBox处理PDF文档
在本书的前面所介绍的内容中，所处理的都是纯文本文件。但是事实上，人们用于保存信息的文件并不是纯文本格式。现在比较流行的文件存储格式有Adobe公司的PDF和Microsoft的Word、Excel等。在处理这些文件的时候，不能简单的从文件读取字符，需要根据他们特殊的格式提取内容。本章就将对比较流行的PDF、Word和Excel格式的处理工具逐一进行介绍。7.1 使用PDFBox处理PDF文档
PDF全称Portable Document Format，是Adobe公司开发的电子文件格式。这种文件格式与操作系统平台无关，可以在Windows、Unix或Mac OS等操作系统上通用。
PDF文件格式将文字、字型、格式、颜色及独立于设备和分辨率的图形图像等封装在一个文件中。如果要抽取其中的文本信息，需要根据它的文件格式来进行解析。幸好目前已经有不少工具能帮助我们做这些事情。
7.1.1 PDFBox的下载
最常见的一种PDF文本抽取工具就是PDFBox了，访问网址http://sourceforge.net/projects/pdfbox/，进入如图7-1所示的下载界面。
http://www.agoit.com/BookFiles/312/img/image001.jpg
图7-1 PDFBox的下载页面
读者可以在该网页下载其最新的版本。本书采用的是PDFBox-0.7.3版本。PDFBox是一个开源的Java PDF库，这个库允许你访问PDF文件的各项信息。在接下来的例子中，将演示如何使用PDFBox提供的API，从一个PDF文件中提取出文本信息。
7.1.2 在Eclipse中配置
以下是在Eclipse中创建工程，并建立解析PDF文件的工具类的过程。
（1）在Eclipse的workspace中创建一个普通的Java工程：ch7。
（2）把下载的PDFBox-0.7.3.zip解压，解压后的目录结构如图7-2所示。
http://www.agoit.com/BookFiles/312/img/image002.jpg
图7-2 解压后的PDFBox包
（3）进入external目录下，可以看到，这里包括了PDFBox所有用到的外部包。复制下面的Jar包到工程ch7的lib目录下（如还未建立lib目录，则先创建一个）。
l bcmail-jdk14-132.jar
l bcprov-jdk14-132.jar
l checkstyle-all-4.2.jar
l FontBox-0.1.0-dev.jar
l lucene-core-2.0.0.jar
然后再从PDFBox的lib目录下，复制PDFBox-0.7.3.jar到工程的lib目录下。
（4）在工程上单击右键，在弹出的快捷菜单中选择“Build Path->Config Build Path->Add Jars”命令，把工程lib目录下面的包都加入工程的Build Path。笔者机器上完整的工程目录如图7-3所示：
http://www.agoit.com/BookFiles/312/img/image003.jpg
图7-3 工程截图
7.1.3 使用PDFBox解析PDF内容
在刚刚创建的Eclipse工程中，创建一个ch7.pdfbox包，并创建一个PdfboxTest类。该类包含一个getText方法，用于从一个PDF中获取文本信息，其代码如下。
<div style="padding-bottom: 1pt; border-right-style: none; padding-left: 0cm; padding-right: 0cm; border-top-style: none; background: white; border-left-style: none; padding-top: 0cm;">代码7.1
页:
[1]