在數(shù)據(jù)驅(qū)動的現(xiàn)代開發(fā)中，高效處理 PDF 文檔已成為 Java 開發(fā)者不可或缺的核心能力。無論是處理各類發(fā)票掃描件、業(yè)務分析報告，還是包含豐富圖表的技術(shù)文檔，掌握 Java 版的 PDF 解析技術(shù)都將大幅提升數(shù)據(jù)處理效率，充分釋放文檔中的商業(yè)價值。

E-iceblue旗下Spire系列產(chǎn)品，是文檔處理組件領(lǐng)域的佼佼者，支持國產(chǎn)化信創(chuàng)。本指南將介紹如何使用Spire.PDF for Java 讀取 PDF 文檔 ，涵蓋從可搜索的 PDF 提取文本 、表格和 圖片 ，以及通過 OCR 技術(shù)從掃描版 PDF 中讀取文本。

用于讀取 PDF 內(nèi)容的 Java 庫

選擇適合的庫是成功讀取 PDF 的關(guān)鍵。Spire.PDF 以其穩(wěn)定性和豐富功能脫穎而出，支持文本提取、圖片獲取、表格解析及 OCR 集成，其直觀 API 和完善的教程對新手和專家同樣友好。

開始前請從官網(wǎng)下載 Spire.PDF for Java 并添加至項目依賴。Maven 用戶請在 pom.xml 中添加：

<repositories>
    <repository>
        <id>com.e-iceblue</id>
        <name>e-iceblue</name>
        <url>//repo.e-iceblue.cn/repository/maven-public/</url>
    </repository>
</repositories>
<dependencies>
    <dependency>
        <groupId>e-iceblue</groupId>
        <artifactId>spire.pdf</artifactId>
        <version>11.6.2</version>
    </dependency>
</dependencies>

下文將演示如何運用 Spire.PDF 完成各類 PDF 讀取任務。

Java 從可搜索 PDF 讀取文本

可搜索 PDF 以機器可讀的格式存儲文本，便于高效提取內(nèi)容。Spire.PDF 中的 PdfTextExtractor 類可直接獲取可搜索PDF的頁面文本，而 PdfTextExtractOptions 能靈活設(shè)置提取參數(shù)，包括文本布局處理策略和指定提取區(qū)域。

以下示例展示如何使用 Java 提取 PDF 所有頁面的文本并輸出到TXT文件：

import com.spire.pdf.PdfDocument;
import com.spire.pdf.PdfPageBase;
import com.spire.pdf.texts.PdfTextExtractOptions;
import com.spire.pdf.texts.PdfTextExtractor;
import com.spire.pdf.texts.PdfTextStrategy;

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

public class ExtractTextFromSearchablePdf {

    public static void main(String[] args) throws IOException {

        // 創(chuàng)建一個 PdfDocument 對象
        PdfDocument doc = new PdfDocument();

        // 加載 PDF 文件
        doc.loadFromFile("C:\\Users\\Administrator\\Desktop\\Input.pdf");

        // 遍歷所有頁面
        for (int i = 0; i < doc.getPages().getCount(); i++) {

            // 獲取當前頁面
            PdfPageBase page = doc.getPages().get(i);

            // 創(chuàng)建一個 PdfTextExtractor 對象
            PdfTextExtractor textExtractor = new PdfTextExtractor(page);

            // 創(chuàng)建一個 PdfTextExtractOptions 對象
            PdfTextExtractOptions extractOptions = new PdfTextExtractOptions();

            // 指定提取策略
            extractOptions.setStrategy(PdfTextStrategy.None);

            // 從頁面中提取文本
            String text = textExtractor.extract(extractOptions);

            // 定義輸出文件路徑
            Path outputPath = Paths.get("output/Extracted_Page_" + (i + 1) + ".txt");

            // 寫入 txt 文件
            Files.write(outputPath, text.getBytes());
        }

        // 關(guān)閉文檔
        doc.close();
    }
}

效果圖：

Java 從 PDF 文檔讀取圖片

對于包含圖形的 PDF，PdfImageHelper 類能精準提取所有嵌入式圖片。通過 PdfImageInfo 對象可將圖片保存為標準圖像文件，特別適用于產(chǎn)品圖冊等視覺內(nèi)容重要的文檔。

以下Java示例將 PDF 文檔中的所有圖片提取為 PNG 文件：

import com.spire.pdf.PdfDocument;
import com.spire.pdf.PdfPageBase;
import com.spire.pdf.utilities.PdfImageHelper;
import com.spire.pdf.utilities.PdfImageInfo;

import javax.imageio.ImageIO;
import java.awt.image.BufferedImage;
import java.io.File;
import java.io.IOException;

public class ExtractAllImages {

    public static void main(String[] args) throws IOException {

        // 創(chuàng)建一個 PdfDocument 對象
        PdfDocument doc = new PdfDocument();

        // 加載 PDF 文檔
        doc.loadFromFile("C:\\Users\\Administrator\\Desktop\\Input.pdf");

        // 創(chuàng)建一個 PdfImageHelper 對象
        PdfImageHelper imageHelper = new PdfImageHelper();

        // 聲明一個整型變量
        int m = 0;

        // 遍歷頁面
        for (int i = 0; i < doc.getPages().getCount(); i++) {

            // 獲取特定頁面
            PdfPageBase page = doc.getPages().get(i);

            // 獲取頁面中的所有圖像信息
            PdfImageInfo[] imageInfos = imageHelper.getImagesInfo(page);

            // 遍歷圖像信息
            for (int j = 0; j < imageInfos.length; j++)
            {
                // 獲取特定圖像信息
                PdfImageInfo imageInfo = imageInfos[j];

                // 獲取圖像
                BufferedImage image = imageInfo.getImage();
                File file = new File(String.format("output/Image-%d.png",m));
                m++;

                // 以 PNG 格式保存圖像文件
                ImageIO.write(image, "PNG", file);
            }
        }

        // 清理資源
        doc.dispose();
    }
}

效果圖：

Java 從 PDF 文件讀取表格數(shù)據(jù)

Spire.PDF 提供的 PdfTableExtractor 類能智能識別表格邊界，生成的 PdfTable 對象保持原始結(jié)構(gòu)，并支持使用 PdfTable.getText() 方法獲取具體單元格中的文本。該功能特別適用于從財務報表等結(jié)構(gòu)化文檔提取數(shù)據(jù)。

以下 Java 代碼將 PDF 中的每一個表格導出為單獨的TXT文件：

import com.spire.pdf.PdfDocument;
import com.spire.pdf.utilities.PdfTable;
import com.spire.pdf.utilities.PdfTableExtractor;

import java.io.FileWriter;

public class ExtractTableData {
    public static void main(String[] args) throws Exception {

        // 創(chuàng)建一個 PdfDocument 對象
        PdfDocument doc = new PdfDocument();

        // 加載 PDF 文檔
        doc.loadFromFile("C:\\Users\\Administrator\\Desktop\\Input.pdf");

        // 創(chuàng)建一個 PdfTableExtractor 實例
        PdfTableExtractor extractor = new PdfTableExtractor(doc);

        // 初始化表計數(shù)器
        int tableCounter = 1;

        // 遍歷 PDF 中的頁面
        for (int pageIndex = 0; pageIndex < doc.getPages().getCount(); pageIndex++) {

            // 從當前頁面提取表格到 PdfTable 數(shù)組
            PdfTable[] tableLists = extractor.extractTable(pageIndex);

            // 如果找到任何表格
            if (tableLists != null && tableLists.length > 0) {

                // 遍歷數(shù)組中的表格
                for (PdfTable table : tableLists) {

                    // 為當前表格創(chuàng)建一個 StringBuilder
                    StringBuilder builder = new StringBuilder();

                    // 遍歷當前表格中的行
                    for (int i = 0; i < table.getRowCount(); i++) {

                        // 遍歷當前表格中的列
                        for (int j = 0; j < table.getColumnCount(); j++) {

                            // 從當前表格單元格中提取數(shù)據(jù)并附加到 StringBuilder
                            String text = table.getText(i, j);
                            builder.append(text).append(" | ");
                        }
                        builder.append("\r\n");
                    }

                    // 為每個表格寫入一個單獨的 .txt 文檔
                    FileWriter fw = new FileWriter("output/Table_" + tableCounter + ".txt");
                    fw.write(builder.toString());
                    fw.flush();
                    fw.close();

                    // 增加表計數(shù)器
                    tableCounter++;
                }
            }
        }

        // 清理資源
        doc.dispose();
    }
}

效果圖：

通過 OCR 將掃描版 PDF 轉(zhuǎn)為文本

從掃描版的 PDF 提取文本需要依賴 OCR 引擎，如Spire.OCR for Java。本解決方案首先使用 Spire.PDF 的渲染引擎將頁面轉(zhuǎn)換為圖片，然后通過 Spire.OCR 的 OcrScanner 類從圖片識別文字。通過這兩步法，可以有效地將實體文檔掃描轉(zhuǎn)換為可編輯文本，且支持多種語言。

步驟 1. 安裝Spire.OCR 并配置環(huán)境

• 下載 Spire.OCR for Java，并將 Jar 文件作為依賴添加到您的項目中。
• 從以下鏈接中下載適合您操作系統(tǒng)的模型，并將壓縮包解壓到您磁盤上的某個位置。
• 在您的代碼中配置模型。

OcrScanner scanner = new OcrScanner();
configureOptions.setModelPath("D:\\win-x64"); // 模型路徑

步驟 2. 將掃描的 PDF 轉(zhuǎn)換為文本

此代碼示例將掃描 PDF 的每一頁轉(zhuǎn)換為圖像文件，應用 OCR 提取文本，并將結(jié)果保存到文本文件中。

import com.spire.ocr.OcrException;
import com.spire.ocr.OcrScanner;
import com.spire.ocr.ConfigureOptions;
import com.spire.pdf.PdfDocument;
import com.spire.pdf.graphics.PdfImageType;

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

public class ExtractTextFromScannedPdf {

    public static void main(String[] args) throws IOException, OcrException {

        // 創(chuàng)建 OcrScanner 類的實例
        OcrScanner scanner = new OcrScanner();

        // 配置掃描器
        ConfigureOptions configureOptions = new ConfigureOptions();
        configureOptions.setModelPath("D:\\win-x64"); // 設(shè)置模型路徑
        configureOptions.setLanguage("Chinese"); // 設(shè)置語言

        // 應用配置選項
        scanner.ConfigureDependencies(configureOptions);

        // 加載 PDF 文檔
        PdfDocument doc = new PdfDocument();
        doc.loadFromFile("C:\\Users\\Administrator\\Desktop\\Input.pdf");

        // 準備臨時目錄
        String tempDirPath = "temp";
        new File(tempDirPath).mkdirs(); // 創(chuàng)建臨時目錄

        StringBuilder allText = new StringBuilder();

        // 遍歷所有頁面
        for (int i = 0; i < doc.getPages().getCount(); i++) {

            // 將頁面轉(zhuǎn)換為圖像
            BufferedImage bufferedImage = doc.saveAsImage(i, PdfImageType.Bitmap);
            String imagePath = tempDirPath + File.separator + String.format("page_%d.png", i);
            ImageIO.write(bufferedImage, "PNG", new File(imagePath));

            // 執(zhí)行 OCR
            scanner.scan(imagePath);
            String pageText = scanner.getText().toString();
            allText.append(String.format("\n--- PAGE %d ---\n%s\n", i + 1, pageText));

            // 清理臨時圖像
            new File(imagePath).delete();
        }

        // 將所有提取的文本保存到文件
        Path outputTxtPath = Paths.get("output", "extracted_text.txt");
        Files.write(outputTxtPath, allText.toString().getBytes());

        // 關(guān)閉文檔
        doc.close();
        System.out.println("文本已提取到 " + outputTxtPath);
    }
}

效果圖：

結(jié)語

在數(shù)字化轉(zhuǎn)型的浪潮中，PDF 文檔作為企業(yè)信息的重要載體，其高效處理能力已成為現(xiàn)代開發(fā)者的核心競爭力。通過本指南介紹的 Spire.PDF for Java 技術(shù)方案，開發(fā)者可以輕松應對各類 PDF 數(shù)據(jù)提取需求，從簡單的文本和圖片提取 到復雜的 表格數(shù)據(jù)解析 ，再到 掃描文檔的智能識別 ，幫助企業(yè)更好地管理和利用文檔信息。

此外，Spire.PDF for Java 提供了一套全面的工具和功能，使開發(fā)者能夠構(gòu)建起完整的文檔自動化處理能力。無論是自動化生成報告、批量處理文檔，還是提取特定數(shù)據(jù)以供分析，開發(fā)者都能通過靈活的 API 和豐富的示例代碼，快速實現(xiàn)這些功能。這不僅提高了工作效率，也減少了人工操作的錯誤率，為企業(yè)帶來了更高的生產(chǎn)力和競爭優(yōu)勢。

常見問題

Q1：如何使用 Java 從掃描 PDF 提取文本？

結(jié)合 Spire.PDF for Java 和 Spire.OCR for Java 即可實現(xiàn)：先將 PDF 頁面轉(zhuǎn)為圖片，再進行 OCR 識別。

Q2：在Java 中讀取 PDF 的最佳庫是什么？

強烈推薦 Spire.PDF for Java，因為它功能多樣且易于使用。它支持文本、圖像、表格的提取以及 OCR 集成。

Q3：Spire.PDF 是否支持提取元數(shù)據(jù)、附件和超鏈接？

是的， Spire.PDF支持提取：

• 元數(shù)據(jù)（標題/作者/關(guān)鍵詞）
• 附件（嵌入文件）
• 超鏈接（ URL 和文檔鏈接）

該庫提供 PdfDocumentInformation 類獲取元數(shù)據(jù)，以及用于獲取附件( PdfAttachmentCollection )和超鏈接( PdfUriAnnotation )的方法。

Q4：如何以編程方式將 PDF表格提取為 CSV/Excel？

使用 Spire.PDF for Java，您可以從 PDF 中提取表格數(shù)據(jù)，然后通過 Spire.XLS for Java 無縫導出到 Excel（XLSX）或 CSV 格式。

————————————————————————————————————————

關(guān)于慧都科技：

慧都科技是一家行業(yè)數(shù)字化解決方案公司，長期專注于軟件、油氣與制造行業(yè)。公司基于深入的業(yè)務理解與管理洞察，以系統(tǒng)化的業(yè)務建模驅(qū)動技術(shù)落地，幫助企業(yè)實現(xiàn)智能化運營與長期競爭優(yōu)勢。在軟件工程領(lǐng)域，我們提供開發(fā)控件、研發(fā)管理、代碼開發(fā)、部署運維等軟件開發(fā)全鏈路所需的產(chǎn)品，提供正版授權(quán)采購、技術(shù)選型、個性化維保等服務，幫助客戶實現(xiàn)技術(shù)合規(guī)、降本增效與風險可控。慧都科技E-iceblue的官方授權(quán)代理商，提供E-iceblue系列產(chǎn)品免費試用，咨詢，正版銷售等于一體的專業(yè)化服務。E-iceblue旗下Spire系列產(chǎn)品是國產(chǎn)文檔處理領(lǐng)域的優(yōu)秀產(chǎn)品，支持國產(chǎn)化信創(chuàng)，幫助企業(yè)高效構(gòu)建文檔處理的應用程序。

歡迎下載|體驗更多E-iceblue產(chǎn)品