开源PDF工具 Apache PDFBox 认识及使用(知识点+案例)

最新推荐文章于 2025-11-27 08:09:00 发布
原创 最新推荐文章于 2025-11-27 08:09:00 发布 · 2w 阅读 · 93 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#开源 #pdf #apache

文章目录

前言

博主介绍：✌目前全网粉丝2W+，csdn博客专家、Java领域优质创作者，博客之星、阿里云平台优质作者、专注于Java后端技术领域。

涵盖技术内容：Java后端、算法、分布式微服务、中间件、前端、运维、ROS等。

博主所有博客文件目录索引：博客目录索引(持续更新)

视频平台：b站-Coder长路

源码获取

项目源码：Gitee、Github

本篇文档的视频系列讲解：Java实现自动化pdf打水印工具 开源PDF工具PDFBoxWord、Word转PDF开源工具Documents4j

一、认识PDFBox

Apache PDFBox库是一个开源的Java工具，专门用于处理PDF文档。它允许用户创建全新的PDF文件，编辑现有的PDF文档，以及从PDF文件中提取内容。

功能：创建、渲染、打印、合并、拆分、加密、解密、签名等多种操作PDF文件的功能，包括一个命令行工具，可以用于执行各种PDF处理任务。支持文本提取和搜索，以及将PDF转换为其他格式，如图片和文本。

应用场景：广泛应用于企业和开发者构建PDF处理相关的应用程序和工具。

Apache PDFBox具备以下主要功能：

  • 从PDF文件中提取Unicode文本。
  • 将单个PDF文件拆分成多个文件，或将多个PDF文件合并成一个。
  • 从PDF表单中提取数据，或填写PDF表单。
  • 验证PDF文件是否符合PDF/A-1b标准。
  • 使用标准的Java打印API打印PDF文件。
  • 将PDF文件另存为图像格式，如PNG或JPEG。
  • 从零开始创建PDF文件，包括嵌入字体和图像。
  • 对PDF文件进行数字签名。

二、导入依赖

<dependencies>
    <dependency>
        <groupId>org.apache.pdfbox</groupId>
        <artifactId>pdfbox</artifactId>
        <version>2.0.28</version>
    </dependency>
</dependencies>

三、基础功能

demo1：读取pdf所有内容

image-20240215133728958

package com.changlu.demos;

import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.text.PDFTextStripper;

import java.io.File;
import java.net.URLDecoder;

/**
 * @Description:
 * @Author: changlu
 * @Date: 1:28 PM
 */
public class Demo1 {
    public static void main(String[] args) throws Exception{
        //读取resources目录下input.pdf文件
        String inputFile = URLDecoder.decode(Demo1.class.getClassLoader().getResource("input.pdf").getFile(), "UTF-8");
        PDDocument pdDocument = PDDocument.load(new File(inputFile));
        PDFTextStripper pdfTextStripper = new PDFTextStripper();
        //读取pdf中所有的文件
        String fullText = pdfTextStripper.getText(pdDocument);
        System.out.println(fullText);
    }
}

image-20240214114352374

demo2：读取所有页内容（分页）

image-20240215133844340

package com.changlu;

import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.text.PDFTextStripper;

import java.io.InputStream;

/**
 * @Description:
 * @Author: changlu
 * @Date: 11:19 AM
 */
public class Main {
    public static void main(String[] args) throws Exception{
        //读取resources目录下input.pdf文件
        InputStream is = Main.class.getClassLoader().getResourceAsStream("input.pdf");
        PDDocument pdDocument = PDDocument.load(is);
        PDFTextStripper pdfTextStripper = new PDFTextStripper();
        //读取所有的分页
        for (int i = 1; i <= pdDocument.getNumberOfPages(); i++) {
            //设置起始-结束页  这里设置指定某页
            pdfTextStripper.setStartPage(i);
            pdfTextStripper.setEndPage(i);
            //读取每一页
            String pageText = pdfTextStripper.getText(pdDocument);
            System.out.println(String.format("第%s页读取内容：", i));
            System.out.println(pageText);
        }
    }
}

image-20240214114934921

demo3：添加页眉、页脚

要求：页眉页脚居中显示。

image-20240215140356576

package com.changlu.demos;

import com.changlu.Main;
import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.pdmodel.PDPage;
import org.apache.pdfbox.pdmodel.PDPageContentStream;
import org.apache.pdfbox.pdmodel.font.PDType0Font;
import org.apache.pdfbox.pdmodel.graphics.image.PDImageXObject;
import org.apache.pdfbox.pdmodel.graphics.state.PDExtendedGraphicsState;

import java.io.File;
import java.io.FileInputStream;
import java.io.InputStream;
import java.net.URLDecoder;
import java.nio.file.Files;
import java.nio.file.Paths;

/**
 * @Description: 添加页眉、页脚
 * @Author: changlu
 * @Date: 1:38 PM
 */
public class Demo3 {
    public static void main(String[] args) throws Exception{
        //读取resources目录下input.pdf文件
        InputStream is = Main.class.getClassLoader().getResourceAsStream("input.pdf");
        PDDocument pdDocument = PDDocument.load(is);

        //自定义字体 C:\Users\93997\Desktop\watermark tools\watermarkTools\target\classes\ttfs
        //URLDecoder.decode() 方法来解码 URL 编码的路径，将 %20 转换回空格
        String fontFile = URLDecoder.decode(Main.class.getClassLoader().getResource(File.separator + "ttfs" + File.separator + "Alibaba_PuHuiTi_2.0_65_Medium_65_Medium.ttf").getFile(), "UTF-8");
        PDType0Font font = PDType0Font.load(pdDocument, new File(fontFile));
        float fontSize = 10; // 设置字体大小为12

        // 设置透明度状态对象
        PDExtendedGraphicsState graphicsState = new PDExtendedGraphicsState();
        graphicsState.setNonStrokingAlphaConstant(0.2f);
        graphicsState.setAlphaSourceFlag(true);
        graphicsState.setStrokingAlphaConstant(0.2f);

        //设置新的页眉
        String headerText = "咨询专转本默默学课程联系官方报名处QQ：3503851091，更多资料可加群828303961";
        String footerText = "江苏专转本公众号：专转本智慧树";

        //遍历原先的pdf文档
        for (PDPage page : pdDocument.getPages()) {
            float pageWidth = page.getMediaBox().getWidth();
            //计算页眉的居中位置
            float headerTextWidth = font.getStringWidth(headerText) / 1000 * fontSize;
            float headerCenteredX = (pageWidth - headerTextWidth) / 2; // 计算水平居中位置
            //计算页脚的居中位置
            float footerTextWidth = font.getStringWidth(footerText) / 1000 * fontSize;
            float footerCenteredX = (pageWidth - footerTextWidth) / 2; // 计算水平居中位置

            // 创建用于页眉的内容流
            PDPageContentStream headerContentStream = new PDPageContentStream(pdDocument, page, PDPageContentStream.AppendMode.APPEND, true, true);
            headerContentStream.beginText(); // 开始文本操作
            headerContentStream.setFont(font, fontSize); // 设置字体和字号
            headerContentStream.newLineAtOffset(headerCenteredX, page.getMediaBox().getHeight() - 30); // 设置文本起始位置
            headerContentStream.showText(headerText); // 绘制页眉内容
            headerContentStream.endText(); // 结束文本操作
            headerContentStream.close(); // 关闭内容流

            // 添加页脚
            PDPageContentStream footerContentStream = new PDPageContentStream(pdDocument, page, PDPageContentStream.AppendMode.APPEND, true, true);
            footerContentStream.beginText(); // 开始文本操作
            footerContentStream.setFont(font, fontSize); // 设置字体和字号
            footerContentStream.newLineAtOffset(footerCenteredX, 30); // 设置文本起始位置
            footerContentStream.showText(footerText); // 绘制页脚内容
            footerContentStream.endText(); // 结束文本操作
            footerContentStream.close(); // 关闭内容流
        }

        //目标目录 Thread.currentThread().getContextClassLoader().getResource("").getPath()  当前工程目录路径
        //String targetPDFPath = URLDecoder.decode(Demo3.class.getClassLoader().getResource("resources").getPath() + File.separator + "output.pdf", "UTF-8");
//        String targetPDFPath = URLDecoder.decode(Main.class.getClassLoader().getResource("output.pdf").getFile(), "UTF-8");
        String targetPDFPath = "F:\\00核心知识、成果、视频产出区\\技术视频\\2024.2.15 自制默默学打水印工具 watermark tools\\watermarkTools\\src\\main\\resources\\output.pdf";
        File outputFile = new File(targetPDFPath);
        // 若是文件存在先进行删除
        Files.deleteIfExists(Paths.get(outputFile.toURI()));
        // 保存修改后的文档
        pdDocument.save(outputFile);
        System.out.println("转换任务：" + targetPDFPath + " 成功！");
        // 关闭文档
        pdDocument.close(); // 关闭文档
    }
}

效果：

image-20240215140103828

demo4：添加居中45°文字水印

要求：对pdf每页都添加上旋转45°水印，透明度为20%。

image-20240215141008094

package com.changlu.demos;

import com.changlu.Main;
import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.pdmodel.PDPage;
import org.apache.pdfbox.pdmodel.PDPageContentStream;
import org.apache.pdfbox.pdmodel.font.PDType0Font;
import org.apache.pdfbox.pdmodel.graphics.image.PDImageXObject;
import org.apache.pdfbox.pdmodel.graphics.state.PDExtendedGraphicsState;

import java.io.File;
import java.io.InputStream;
import java.net.URLDecoder;
import java.nio.file.Files;
import java.nio.file.Paths;

/**
 * @Description: Apache PDFBox案例：对pdf每页都添加上旋转45°水印。
 * @Author: changlu
 * @Date: 1:38 PM
 */
public class Demo4 {
    public static void main(String[] args) throws Exception{
        //读取resources目录下input.pdf文件
        InputStream is = Main.class.getClassLoader().getResourceAsStream("input.pdf");
        PDDocument pdDocument = PDDocument.load(is);

        //自定义字体 C:\Users\93997\Desktop\watermark tools\watermarkTools\target\classes\ttfs
        //URLDecoder.decode() 方法来解码 URL 编码的路径，将 %20 转换回空格
        String fontFile = URLDecoder.decode(Main.class.getClassLoader().getResource(File.separator + "ttfs" + File.separator + "Alibaba_PuHuiTi_2.0_65_Medium_65_Medium.ttf").getFile(), "UTF-8");
        PDType0Font font = PDType0Font.load(pdDocument, new File(fontFile));

        // 设置透明度状态对象
        PDExtendedGraphicsState graphicsState = new PDExtendedGraphicsState();
        graphicsState.setNonStrokingAlphaConstant(0.2f);
        graphicsState.setAlphaSourceFlag(true);
        graphicsState.setStrokingAlphaConstant(0.2f);

        //设置水印名
        String waterText = "江苏专转本网课报名vx：mmxchanglu";

        //遍历原先的pdf文档
        for (PDPage page : pdDocument.getPages()) {
            float pageWidth = page.getMediaBox().getWidth();
            float pageHeight = page.getMediaBox().getHeight();
            //添加水印   要求：旋转45°，不透明度30%
            float waterTextWidth = font.getStringWidth(waterText) / 1000 * 30;
            float waterCenteredX = (pageWidth - waterTextWidth) / 2;
            float waterCenteredY = pageHeight / 2;
            //创建一个水印内容流
            PDPageContentStream waterContentStream = new PDPageContentStream(pdDocument, page, PDPageContentStream.AppendMode.APPEND, true, true);
            waterContentStream.beginText();
            waterContentStream.setFont(font, 30);
            // 设置不透明度
            waterContentStream.setNonStrokingColor(0, 0, 0); // black color
            waterContentStream.setStrokingColor(0, 0, 0); // black color
            waterContentStream.setGraphicsStateParameters(graphicsState);//设置透明度
            //设置旋转文本 45° 对于tx、ty是以左下角为偏移位置中心来进行旋转角度
            waterContentStream.setTextRotation(Math.toRadians(45), 400, -50);
            //设置文本
            waterContentStream.newLineAtOffset(waterCenteredX, waterCenteredY);
            waterContentStream.showText(waterText);
            waterContentStream.endText();
            waterContentStream.close();
        }

        //目标目录 Thread.currentThread().getContextClassLoader().getResource("").getPath()  当前工程目录路径
        String targetPDFPath = "F:\\00核心知识、成果、视频产出区\\技术视频\\2024.2.15 自制默默学打水印工具 watermark tools\\watermarkTools\\src\\main\\resources\\output.pdf";
        File outputFile = new File(targetPDFPath);
        // 若是文件存在先进行删除
        Files.deleteIfExists(Paths.get(outputFile.toURI()));
        // 保存修改后的文档
        pdDocument.save(outputFile);
        System.out.println("转换任务：" + targetPDFPath + " 成功！");
        // 关闭文档
        pdDocument.close(); // 关闭文档
    }
}

效果：

image-20240215140939521

demo5：添加图片到右上角

要求：将图片缩小25%后插入到右上角。

image-20240215141247658

package com.changlu.demos;

import com.changlu.Main;
import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.pdmodel.PDPage;
import org.apache.pdfbox.pdmodel.PDPageContentStream;
import org.apache.pdfbox.pdmodel.font.PDType0Font;
import org.apache.pdfbox.pdmodel.graphics.image.PDImageXObject;
import org.apache.pdfbox.pdmodel.graphics.state.PDExtendedGraphicsState;

import java.io.File;
import java.io.InputStream;
import java.net.URLDecoder;
import java.nio.file.Files;
import java.nio.file.Paths;

/**
 * @Description: Apache PDFBox案例：将图片缩小25%后插入到右上角。
 * @Author: changlu
 * @Date: 1:38 PM
 */
public class Demo5 {
    public static void main(String[] args) throws Exception{
        //读取resources目录下input.pdf文件
        InputStream is = Main.class.getClassLoader().getResourceAsStream("input.pdf");
        PDDocument pdDocument = PDDocument.load(is);

        //自定义字体 C:\Users\93997\Desktop\watermark tools\watermarkTools\target\classes\ttfs
        //URLDecoder.decode() 方法来解码 URL 编码的路径，将 %20 转换回空格
        String fontFile = URLDecoder.decode(Main.class.getClassLoader().getResource(File.separator + "ttfs" + File.separator + "Alibaba_PuHuiTi_2.0_65_Medium_65_Medium.ttf").getFile(), "UTF-8");
        PDType0Font font = PDType0Font.load(pdDocument, new File(fontFile));

        //遍历原先的pdf文档
        for (PDPage page : pdDocument.getPages()) {
            float pageWidth = page.getMediaBox().getWidth();
            float pageHeight = page.getMediaBox().getHeight();
            //添加图片水印
            //创建一个水印内容流
            PDPageContentStream imageContentStream = new PDPageContentStream(pdDocument, page, PDPageContentStream.AppendMode.APPEND, true, true);
            // 创建图像对象
//            PDImageXObject image = PDImageXObject.createFromFile("C:\\Users\\93997\\Desktop\\watermark tools\\watermarkTools\\src\\main\\resources\\images\\ConsultationGroupQRCode.jpg", pdDocument);
            String pictureFile = URLDecoder.decode(Main.class.getClassLoader().getResource(File.separator + "images" + File.separator + "ConsultationGroupQRCode.jpg").getFile(), "UTF-8");
            PDImageXObject image = PDImageXObject.createFromFile(pictureFile, pdDocument);
            // 计算图像的宽度和高度（缩小比例为0.3）
            float imageWidth = (float) (image.getWidth() * 0.25);
            float imageHeight = (float) (image.getHeight() * 0.25);
            //具体图片位置
            float imageX = pageWidth - imageWidth - 10;
            float imageY = pageHeight - imageHeight - 10;

            // 在指定位置绘制图像
            imageContentStream.drawImage(image, imageX, imageY, imageWidth, imageHeight);
            imageContentStream.close();
        }

        //目标目录 Thread.currentThread().getContextClassLoader().getResource("").getPath()  当前工程目录路径
        String targetPDFPath = "F:\\00核心知识、成果、视频产出区\\技术视频\\2024.2.15 自制默默学打水印工具 watermark tools\\watermarkTools\\src\\main\\resources\\output.pdf";
        File outputFile = new File(targetPDFPath);
        // 若是文件存在先进行删除
        Files.deleteIfExists(Paths.get(outputFile.toURI()));
        // 保存修改后的文档
        pdDocument.save(outputFile);
        System.out.println("转换任务：" + targetPDFPath + " 成功！");
        // 关闭文档
        pdDocument.close(); // 关闭文档
    }
}

效果：

image-20240215141201348

参考文章

[1]. 使用 Apache PDFBox 操作PDF文件

[2]. Java使用pdfbox将已有的pdf添加页眉

[3]. 基于pdfbox实现的pdf添加文字水印工具

资料获取

大家点赞、收藏、关注、评论啦~

精彩专栏推荐订阅：在下方专栏👇🏻

更多博客与资料可查看👇🏻获取联系方式👇🏻，🍅文末获取开发资源及更多资源博客获取🍅

【PDFBox】PDFBox操作PDF文档之创建PDF文档、加载PDF文档、添加空白页面、删除页面、获取总页数、添加文本内容、PDFBox坐标系
✅ Java 开发工程师，从事 Web 应用程序的研发，擅长 Spring、SpringBoot 等技术。 ✅ 热爱编程，业余时间学习新知识，通过 CSDN 记录学习心得和笔记内容。
07-11 8134
PDFBox是Apache提供的一款专门用于操作PDF文档的工具组件，使用PDFBox可以很方便对PDF文档进行各种操作，例如：创建PDF文档、读取PDF文档内容、加载PDF文档内容、合并PDF文档、拆分PDF文档等等，使用PDFBox需要引入对应的依赖，这篇文章就基于下面的依赖，介绍一下PDFBox中一些常见的方法及其使用方式。-- 引入 PDFBox 相关的依赖 开始 -->-- 引入 PDFBox 相关的依赖 结束 -->
使用PDFBox封装一个简单易用的工具类快速生成pdf文件
刻苦的樊同学
03-06 3658
文章目录一、PDFbox说明1、坐标2、线3、图4、字5、字体加载6、jfreechart图表转字节数组7、依赖二、PDFbox样式1、文字颜色2、线颜色3、线样式三、工具类边框样式对齐样式表行列图片列pdf工具类测试方法四、效果图 一、PDFbox说明 1、坐标 文档左下角为坐标原点，x轴向右从0增加，y轴向上增加 2、线 以起始位置至终点一条线，线宽以垂直于起始至终止连线方向发散，例如线宽20，起始位置（0,10），终止位置（500,10）则线实际所占位置为（0,0），（0，20），（500,0），（
如何快速掌握Apache PDFBox：PDF处理的终极完整指南
最新发布
gitblog_00073的博客
11-27 409
你是否遇到过需要自动化处理PDF文档的困扰？无论是批量生成报告、提取文本内容，还是合并多个PDF文件，手动操作都显得效率低下。今天，让我们一起探索Apache PDFBox这个强大的Java库，它能够轻松解决各种PDF文档操作需求。 Apache PDFBox是一个专门用于PDF处理的开源Java库，提供了创建、编辑、渲染、合并、拆分、加密、解密、签名等多种操作PDF文件的功能。作为Apache
Springboot使用pdfbox提取PDF图片
后端开发
06-17 6150
PDFBox是一个用于创建和处理PDF文档的Java库。它可以使用Java代码创建、读取、修改和提取PDF文档中的内容。PDFBox的功能:Extract Text - 使用PDFBox，您可以从PDF文件中提取Unicode文本。Split & Merge - 使用PDFBox，您可以将单个PDF文件分成多个文件，并将它们合并为一个文件。Fill Forms - 使用PDFBox，您可以在文档中填写表单数据。Print - 使用PDFBox，您可以使用标准Java打印API打印PDF文件。
Apache PDFBox
AI工程化、开源分享、文档翻译、代码笔记
08-24 3067
一、关于 Apache PDFBox 二进制下载 构建 贡献 支持 已知限制和问题 许可证（另见[LICENSE. txt](https://github.com/apache/pdfbox/blob/trunk/LICENSE.txt)） 出口管制 二、依赖 1、核心组件 最低要求 字体处理 XMP元数据 使用Maven包含依赖项 2、可选组件 JAI Image I/O 公钥加密和签名 激活和绑定 从命令行使用其他库 三、入门 1、Maven 2、渲染性能 四、命令行工具 1、解密 2、加密 3、提取
Java工具库系列（二十）：Apache PDFBox
阿里渣渣java研发组-群主
06-13 5273
Apache PDFBox 是 Apache 软件基金会下的一个开源Java库，用于处理PDF文档。PDFBox 提供了丰富的API，用于创建新的PDF文档、修改现有的PDF文档以及从PDF文档中提取内容。创建和修改PDF文档提取文本和图像处理表单和注释合并和拆分PDF文档Apache PDFBox 是一个功能强大的PDF处理库，通过提供丰富的API和实用方法，极大地简化了Java应用程序中PDF文档的处理。在本篇文章中，我们介绍了PDFBox的核心功能和使用方法。
PDFMerge: 使用Apache PDFBox实现PDF合并的Java控制台工具
在这个知识分享中，...通过了解这些知识点，您将能够更深入地掌握如何在Java中使用Apache PDFBox库来创建一个PDF合并控制台应用程序。这不仅对您当前的需求很有帮助，还可以为处理其他PDF相关的任务打下坚实的基础。
Apache PDFBox操作PDF文件实战教程
标题中提到的知识点是“基于pdfbox操作pdf文件的测试”，这意味着我们需要关注Apache PDFBox库的基本操作和使用方法。Apache PDFBox是一个开源的Java库，用于创建和操作PDF文件。它允许用户读取PDF文档、提取文本...
使用Apache PDFBox插件解析PDF文件并提取内容
4. **开源Apache PDFBox插件**：PDFBox-1.8.9使用的是Apache PDFBox的开源插件，这意味着它遵循Apache许可证，可以被任何人自由地使用、修改和分发，且不涉及版权费用。Apache PDFBox插件已经经过了广泛的社区测试和...
java用poi转ppt为图片和用pdfbox转pdf为图片的demo
08-29
以下是一些关键步骤和知识点： 1. 引入Apache POI库：首先，在项目中引入POI的相关依赖，如`poi-ooxml`和`poi-ooxml-schemas`。 2. 加载PPT文件：使用`XSSFWorkbook`或`HSSFWorkbook`（根据PPT版本）来加载PPT文件...
简单好用的开源阅读PDF软件
11-27
简单好用的开源阅读PDF软件.极速阅读。
pdf相关的开源软件
06-19
pdf相关的开源软件，包括xpdf，sumatrapdf，imageMagick。都是开源的。
最新PDF解析工具：PDFBox1.7.1及FontBox1.7.1包解析
总结上述知识点，Apache PDFBox是一个强大的Java库，可以用来创建、操作以及解析PDF文件。FontBox作为其子模块，增强了PDFBox在处理字体方面的功能。版本号1.7.1表示这些库最近经过更新，提供了最新的修复和改进。而...
使用 Apache PDFBox 操作PDF文件
万猫学社
04-20 1万+
Apache PDFBox库是一个用于处理PDF文档的开源Java工具。该项目允许创建新的PDF文档，操作现有PDF文档，并从PDF文档中提取内容。Apache PDFBox还包括几个命令行实用程序。
开源PDF软件
嵌入式软硬件叶玄
01-18 560
开源PDF软件
使用 Apache PDFBox 提取 PDF 中的文本和图像
花千树的专栏
02-17 2745
Apache PDFBox 是一个用于创建、操作和提取 PDF 内容的 Java 库。
【GitHub项目推荐--开源PDF 工具】【转载】
j8267643的博客
01-23 1万+
PDF 补丁丁致力于解除 PDF 文档的烦恼，带有一个强大的 PDF 书签编辑器（可自动生成书签），有超快的从 PDF 文档里无损提取图片的能力，又可以合并图片和 PDF 文档，统一页面尺寸，清除文档的打印和复制限制，对于高端开发者，又提供了文档结构探查器等一系列功能。分析文档结构：以树视图显示 PDF 文档结构，可编辑修改 PDF 文档节点，或将 PDF 文档导出成 XML 文件，供 PDF 爱好者分析、调试之用。提取或删除 PDF 文档中指定的页面，调整顺序。替换字体：替换文档中使用的字体；
最新开源的解析效果非常好的PDF解析工具MinerU （pdf2md pdf2json）
热门推荐
Angus
07-18 3万+
毫不夸张的说PDF解析工具MinerU是照进RAG黑暗中的一道光——这是我对它的评价。我测过太多了文档解析工具！ 最近在做文档解析的工作。看了很多的开源的文档解析的工具，版面分析的工具，其中包括paddelpaddel这样30k+star的明星工具。但是效果都觉得不好。 MinerU是一个最近开源的文档解析工具，可以把PDF转成json结构，还可以转成md格式。可以解析得到其中的图片，表格，可以得到段落，可以得到标题，这是很哇塞的事情。因为最近RAG特别火热，这些都是RAG非常需要的。
PDFBOX
03-26
### Apache PDFBox 使用指南及常见问题解决 #### 一、概述 Apache PDFBox 是一个开源的 Java 库，用于创建、操作和解析 PDF 文档。它支持多种功能，包括提取文本、合并文档以及处理加密等内容[^1]。 #### 二、依赖项管理 在使用 Apache PDFBox 版本 2.x 的过程中，由于其更加频繁地利用外部依赖结构，因此需要确保所有必要的库都已正确引入到项目中。例如，在 Maven 项目中可以通过以下方式添加依赖： ```xml <dependency> <groupId>org.apache.pdfbox</groupId> <artifactId>pdfbox</artifactId> <version>2.0.27</version> </dependency> ``` 此外，对于涉及加密的操作，PDFBox 利用了 Java 密码体系结构 (JCA) 和 Bouncy Castle 提供的支持来实现解密与签名等功能[^2]。 #### 三、Android 平台上的适配 为了使 PDFBox 能够兼容 Android 开发环境，社区开发了一个名为 `PdfBox-Android` 的移植版工具包。此版本针对移动设备进行了优化调整，并解决了原生 PDFBox 在 Android 上可能遇到的一些限制性问题[^3]。 #### 四、日志记录设置 当集成 Commons Logging 或 Log4j 这样的框架时，请务必确认 classpath 中存在有效的 `log4j.properties` 配置文件；否则可能会抛出运行期错误提示找不到合适的 logger 实现类实例化失败等问题发生情况下的排查方向之一就是检查是否有遗漏上述提到的关键资源文件放置不当所致后果严重程度取决于具体应用场景需求而定[^4]。 #### 五、代码示例：读取 PDF 文件中的文本内容 下面展示如何通过简单的几行代码完成从本地存储路径加载目标 pdf 文件并获取其中包含的文字信息的功能演示片段如下所示: ```java import org.apache.pdfbox.pdmodel.PDDocument; import org.apache.pdfbox.text.PDFTextStripper; public class PdfReaderExample { public static void main(String[] args) throws Exception { String filePath = "example.pdf"; try (PDDocument document = PDDocument.load(new File(filePath))) { if (!document.isEncrypted()) { // 如果不是加密状态则继续执行下一步骤逻辑流程控制语句判断条件成立与否决定是否进入内部分支体部分实际业务场景下还需要考虑更多边界状况比如空指针异常等等潜在风险因素影响最终效果表现形式各异需视具体情况灵活应对策略方案设计思路清晰合理即可满足基本要求标准达到预期目的为止结束整个过程描述完毕谢谢观看学习交流分享共同进步成长成才之路永无止境加油吧少年们！ PDFTextStripper textStripper = new PDFTextStripper(); String content = textStripper.getText(document); System.out.println(content); } else { System.err.println("The provided file is encrypted."); } } } } ```
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

长路 ㅤ   

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值