武汉市网站建设_网站建设公司_Bootstrap_seo优化

一、引言：PDF文本提取的重要性

在现代软件开发中，PDF文件处理是一个常见需求。无论是从网络下载的PDF文档，还是用户上传的PDF文件，我们经常需要提取其中的文本内容进行进一步处理。例如：文档搜索、内容分析、信息归档等场景。

Apache PDFBox作为Java平台上一个成熟的开源库，提供了强大的PDF处理能力。本文将详细介绍如何基于PDFBox构建一个功能完善的PDF文本提取工具类，支持从网络URL和本地文件流中提取文本。

二、技术选型：为什么选择Apache PDFBox？

在Java生态中，处理PDF的库有多种选择，如iText、Apache PDFBox等。我们选择PDFBox的主要原因包括：

• 完全开源且免费（Apache 2.0许可证）

• 功能全面，支持文本提取、创建、渲染等

• 社区活跃，文档完善

• 与其他Apache项目良好集成

三、工具类完整实现

3.1 导入依赖

<!-- 用于 Java 项目中处理 PDF 文件 --> <dependency> <groupId>org.apache.pdfbox</groupId> <artifactId>pdfbox</artifactId> <version>2.0.24</version> </dependency>

3.2 PDFUtil工具类

import lombok.extern.slf4j.Slf4j; import org.apache.logging.log4j.util.Strings; import org.apache.pdfbox.pdmodel.PDDocument; import org.apache.pdfbox.text.PDFTextStripper; import java.io.InputStream; import java.net.HttpURLConnection; import java.net.URL; import java.util.regex.Pattern; /** * PDF处理工具类 * 提供从PDF文件中提取文本内容的功能 * <p> * 主要功能： * 1. 从网络URL下载PDF文件并提取文本 * 2. 从本地文件流中提取PDF文本 * 3. 支持自定义超时设置 * 4. 提供文本格式化选项（如去除空白字符） * */ @Slf4j public class PDFUtil { /** * 正则表达式模式：用于匹配和替换空白字符 * \s* : 匹配零个或多个空白字符（如空格） * | : 或的关系，表示匹配任意一个模式 * \t : 匹配制表符（Tab键产生的缩进） * \r : 匹配回车符（旧系统的换行符） * \n : 匹配换行符（新行的开始） * <p> * 示例：将"Hello\tWorld\n" 替换为 "HelloWorld" */ private static final Pattern PATTERN = Pattern.compile("\\s*|\t|\r|\n"); /** * 默认连接超时时间：10秒（单位：毫秒） * 含义：建立网络连接的最大等待时间 * 超过此时间仍未连接成功则抛出超时异常 */ private static final Integer DEFAULT_CONNECT_TIMEOUT = 10000; /** * 默认读取超时时间：10秒（单位：毫秒） * 含义：从连接读取数据的最大等待时间 * 超过此时间仍未读取到数据则抛出超时异常 */ private static final Integer DEFAULT_READ_TIMEOUT = 10000; /** * 从网络URL的PDF文件中提取文本内容（使用默认超时设置） * * @throws RuntimeException 如果URL无效、网络连接失败或PDF解析失败 * 使用场景：快速从已知URL提取PDF文本，无需关心超时设置 */ public static String parsingTextFromPdf(String pdfUrl) { // 调用重载方法，传入默认的超时参数 return parsingTextFromPdf(pdfUrl, DEFAULT_CONNECT_TIMEOUT, DEFAULT_READ_TIMEOUT); } /** * 从网络URL的PDF文件中提取文本内容，并去除所有空白字符 * * @param pdfUrl PDF文件的网络地址 * @return 清理后的文本内容（无空格、制表符、换行符等空白字符） * 示例：原文本"Hello\n World" 返回 "HelloWorld" * <p> * 使用场景：当只需要PDF的文字内容，不需要格式信息时 * 常用于文本搜索、关键词提取等场景 */ public static String parsingTextFromPdfRemovePattern(String pdfUrl) { // 1. 先提取原始文本（包含空白字符） String text = parsingTextFromPdf(pdfUrl, DEFAULT_CONNECT_TIMEOUT, DEFAULT_READ_TIMEOUT); // 2. 使用正则表达式移除所有空白字符 // PATTERN.matcher(text): 创建文本匹配器 // .replaceAll(Strings.EMPTY): 将所有匹配到的空白字符替换为空字符串 String textRemovePattern = PATTERN.matcher(text).replaceAll(Strings.EMPTY); return textRemovePattern; } /** * 从指定URL的PDF文件中提取文本内容（可自定义超时时间） * * @param pdfUrl PDF文件的网络地址，必须是有效的URL格式 * @param connectTimeout 连接超时时间（毫秒） * 建议值：5000-30000（5-30秒） * 设置为0表示无限等待（不推荐） * @param readTimeout 读取超时时间（毫秒） * 建议值：10000-60000（10-60秒） * 根据PDF文件大小调整，大文件需要更长超时时间 * @return 提取的文本内容 * @throws RuntimeException 可能抛出以下异常： * 1. MalformedURLException - URL格式错误 * 2. ConnectTimeoutException - 连接超时 * 3. ReadTimeoutException - 读取超时 * 4. IOException - 网络IO错误 * 5. PDF解析相关异常 * <p> * 内部执行流程： * 1. 验证URL格式 * 2. 建立HTTP连接（设置超时和重定向） * 3. 获取输入流 * 4. 解析PDF文本 * 5. 清理连接资源 * <p> * 注意：无论成功或失败，都会确保关闭网络连接 */ public static String parsingTextFromPdf(String pdfUrl, Integer connectTimeout, Integer readTimeout) { try { // 步骤1：将字符串URL转换为Java URL对象 // 如果URL格式不正确，此处会抛出MalformedURLException URL url = new URL(pdfUrl); // 步骤2：创建并配置HTTP连接 HttpURLConnection connection = createHttpConnection(url, connectTimeout, readTimeout); // 步骤3：获取PDF文件输入流 // try-with-resources语句：确保inputStream在使用后自动关闭 try (InputStream inputStream = connection.getInputStream()) { // 步骤4：从输入流中解析PDF文本 return parsingTextFromStream(inputStream); } finally { // 步骤5：无论成功或失败，都断开网络连接释放资源 connection.disconnect(); } } catch (Exception e) { throw new RuntimeException("读取PDF文件失败，原因：{}", e); } } /** * 从输入流中提取PDF文本内容（核心提取逻辑） * * @param inputStream PDF文件的输入流 * 可以是：网络流、文件流、内存流等 * 调用方负责提供和关闭流（本方法内不关闭输入流） * @return 提取的文本内容 * @throws RuntimeException PDF解析失败时抛出 * <p> * 技术原理： * 使用Apache PDFBox库： * 1. PDDocument.load() - 加载PDF文档到内存 * 2. PDFTextStripper - 提取文本的专用工具类 * 3. setSortByPosition(true) - 按页面位置排序文本，保持阅读顺序 * 4. setStartPage()/setEndPage() - 设置提取的页码范围 * <p> * 性能提示： * - 大PDF文件会占用较多内存 * - 考虑使用PDFTextStripper的增量读取功能处理大文件 */ public static String parsingTextFromStream(InputStream inputStream) { try { // 步骤1：加载PDF文档到内存 // PDDocument是PDFBox的核心类，代表整个PDF文档 PDDocument document = PDDocument.load(inputStream); // 步骤2：创建文本提取器 PDFTextStripper stripper = new PDFTextStripper(); // 步骤3：配置提取器 stripper.setSortByPosition(true); // 按位置排序：从左到右、从上到下 stripper.setStartPage(0);// 从第1页开始（页码从0开始） stripper.setEndPage(document.getNumberOfPages());// 提取到最后一页 String text = stripper.getText(document); // 步骤5：关闭文档释放资源（重要！） document.close(); return text; } catch (Exception e) { throw new RuntimeException("读取PDF文本内容失败，原因：{}", e); } } /** * 创建并配置HTTP连接（私有辅助方法） * * @param url 目标URL * @param connectTimeout 连接超时时间（毫秒） * @param readTimeout 读取超时时间（毫秒） * @return 配置好的HttpURLConnection对象 * @throws Exception 如果连接创建失败 * <p> * 配置说明： * 1. GET请求：因为只是下载文件，不需要提交数据 * 2. 设置超时：防止网络问题导致线程长时间阻塞 * 3. 允许重定向：自动跟随302/301跳转 * 4. 使用默认的User-Agent和请求头 * */ private static HttpURLConnection createHttpConnection(URL url, Integer connectTimeout, Integer readTimeout) throws Exception { // 打开URL连接 HttpURLConnection connection = (HttpURLConnection) url.openConnection(); // 设置请求方法为GET（获取资源） connection.setRequestMethod("GET"); // 设置连接超时（建立TCP连接的最大等待时间） connection.setConnectTimeout(connectTimeout); // 设置读取超时（从服务器读取数据的最大等待时间） connection.setReadTimeout(readTimeout); // 允许自动重定向（如果服务器返回302/301，自动跳转到新地址） connection.setInstanceFollowRedirects(true); return connection; } }

四、使用示例

4.1 从网络URL提取PDF文本内容

@RequestMapping("pdfToHttpUrl") public IResult pdfToHttpUrl() { String url = "https://gitee.com/lyilan8080/loser-res/raw/master/video/66.pdf"; String text = PDFUtil.parsingTextFromPdf(url); return new ResultBean<>(text); }

网络PDF文件处理流程：

1. 通过URL访问PDF文件

2. 建立HTTP连接并设置超时时间

3. 获取输入流并解析PDF

4. 返回提取的文本内容

地址（https://gitee.com/lyilan8080/loser-res/raw/master/video/66.pdf）的PDF内容如下：

返回结果：

4.2 从文件流提取PDF文本内容

@RequestMapping("pdfToFile") public IResult pdfToFile(MultipartFile file) throws IOException { String text = PDFUtil.parsingTextFromStream(file.getInputStream()); return new ResultBean<>(text); }

本地文件处理流程：

1. 接收用户上传的PDF文件

2. 获取文件输入流

3. 直接调用工具类方法解析文本

4. 返回提取结果

传递一个66.pdf文件（和上面网络访问的是同一个文件）

返回结果：

五、总结

本文介绍的PDFUtil工具类提供了一个简单而强大的解决方案，用于从PDF文件中提取文本内容。通过合理的设计和封装，它能够：

1. 处理多种来源：支持网络URL和本地文件流

2. 配置灵活：可自定义超时时间和文本处理选项

3. 健壮可靠：完善的异常处理和资源管理

4. 易于使用：简洁的API设计，开箱即用

这个工具类已经包含了日常开发中最常见的PDF文本提取需求，可以直接集成到你的Java项目中。当然，根据具体业务场景，你还可以在此基础上进一步扩展功能，满足更多复杂需求。