JAVA读取pdf各级标题、题号、所有内容---itext

首先下载iText包，地址为http://sourceforge.net/projects/itext/，最新版本为5.1.2，完整包名为iText-5.1.2.zip，解压后将得到一组jar包，我们要使用的是里面的itextpdf-5.1.2.jar。

 或者引入maven依赖：

        <dependency>
            <groupId>com.itextpdf</groupId>
            <artifactId>itextpdf</artifactId>
            <version>5.5.10</version>
        </dependency>

 

一、itext读取pdf标题和题号

在本地配置好Java编译和运行环境后，编写如下示例代码：

package com.pdfcom;
import java.util.ArrayList;  
import java.util.HashMap;  
import java.util.Iterator;  
import java.util.List;  
   
import com.itextpdf.text.pdf.PdfReader;  
import com.itextpdf.text.pdf.SimpleBookmark;  
 /**
  *   
  * @author hp
  *读取pdf各级标题 及页号
  */
public class Test {  
      
   public static void main ( String [] args ) throws Exception {  
     PdfReader reader = new PdfReader ( "C:\\Users\\hp\\Desktop\\新建文件夹 (2)\\一案.pdf" ) ;  
     List<HashMap<String, Object>> list = SimpleBookmark.getBookmark ( reader ) ; 
     for ( Iterator<HashMap<String, Object>> i = list.iterator () ; i.hasNext () ; ) {  
     
       showBookmark ( i.next ()) ;  
        
     }  
     for ( Iterator<HashMap<String, Object>> i = list.iterator () ; i.hasNext () ; ) {  
  
           getPageNumbers( i.next ());  
       }  
  
   }  
 //获取标题  
   private static void showBookmark ( HashMap<String, Object> bookmark) {   
       System.out.println (bookmark.get ( "Title" )) ;    
     @SuppressWarnings("unchecked")  
    ArrayList<HashMap<String, Object>> kids =  (ArrayList<HashMap<String, Object>>) bookmark.get ( "Kids" ) ;  
     if ( kids == null )  
       return ;  
     for ( Iterator<HashMap<String, Object>> i = kids.iterator () ; i.hasNext () ; ) {  
      
        showBookmark ( i.next ()) ;  
     }  
   }  
     
  //获取页码  
   public static void getPageNumbers(HashMap<String, Object> bookmark) {  
       if (bookmark == null)  
           return;  
         
           if ("GoTo".equals(bookmark.get("Action"))) {  
  
               String page = (String)bookmark.get("Page");  
               if (page != null) {  
  
                   page = page.trim();  
  
                   int idx = page.indexOf(' ');  
  
                   int pageNum;  
  
                   if (idx < 0){  
  
                       pageNum = Integer.parseInt(page);  
                       System.out.println ("pageNum :"+ pageNum) ;      
                   }  
                   else{  
              
                       pageNum = Integer.parseInt(page.substring(0, idx));  
                       System.out.println ("pageNum:" +pageNum) ;      
                   }  
               }  
               @SuppressWarnings("unchecked")  
            ArrayList<HashMap<String, Object>> kids =  (ArrayList<HashMap<String, Object>>) bookmark.get ( "Kids" ) ;  
               if ( kids == null )  
                 return ;  
               for ( Iterator<HashMap<String, Object>> i = kids.iterator () ; i.hasNext () ; ) {  
  
                   getPageNumbers ( i.next ()) ;  
                }  
  
               }    
       }  
    
}  

二、itext读取pdf所有内容

package com.pdfcom;

import java.io.IOException;
import java.net.URL;

import com.itextpdf.text.pdf.PdfReader;
import com.itextpdf.text.pdf.parser.PdfTextExtractor;

/**
 * 
 * @author hp
 *读取pdf全部内容
 */
public class TestAll {

    public static void main(String[] args) throws IOException {
        
        URL url=new URL("file:/C:\\Users\\hp\\Desktop\\新建文件夹 (2)\\一案.pdf");
        readPdf(url);//直接读全PDF面
    }
   
    public static void readPdf(URL url){
        String pageContent = "";
        try {
            PdfReader reader = new PdfReader(url);
            int pageNum = reader.getNumberOfPages();
            for(int i=1;i<=pageNum;i++){
                pageContent += PdfTextExtractor.getTextFromPage(reader, i);//读取第i页的文档内容
            }
 
         System.out.println(pageContent);
         
        } catch (Exception e) {
            e.printStackTrace();
        }finally{
        }
    }

}

 

三、读取pdf特定内容。目前itext没有提供逐行读取的方法，要想读取每行的特定内容，就用字符串截取的方法。

package com.pdfcom;

import java.io.IOException;
import java.net.URL;
import com.itextpdf.text.pdf.PdfReader;
import com.itextpdf.text.pdf.parser.PdfTextExtractor;

/**
 * 
 * @author hp
 *读取pdf指定内容
 */
public class PdfContent {

    public static void main(String[] args) throws IOException {
        
        URL url=new URL("file:/C:\\Users\\hp\\Desktop\\新建文件夹 (2)\\国网京峡ECI光传输系统500kV保北站XDM1000设备停运三措一案.pdf");
        readPdf(url);//直接读全PDF面
     
    }
    
    public static void readPdf(URL url){
        String pageContent = "";
        try {
            PdfReader reader = new PdfReader(url);
            int pageNum = reader.getNumberOfPages();
            for(int i=1;i<=pageNum;i++){
                pageContent += PdfTextExtractor.getTextFromPage(reader, i);//读取第i页的文档内容
            }
 
        // System.out.println(pageContent);
            //获取工作联系人
            int strStartIndex = pageContent.indexOf("联系人");
            int strEndIndex = pageContent.indexOf("二、施工组织措施");
            String a = pageContent.substring(strStartIndex, strEndIndex);
            String b = a.substring(4);
            System.out.println(b);
        } catch (Exception e) {
            e.printStackTrace();
        }finally{
        }
    }

}

来源：https://www.cnblogs.com/nntld/p/15524818.html