国产化PDF处理控件Spire.PDF教程：在Java中读取PDF，提取文本、图片和表格

在数据驱动的现代开发中，高效处理 PDF 文档已成为 Java 开发者不可或缺的核心能力。无论是处理各类发票扫描件、业务分析报告，还是包含丰富图表的技术文档，掌握 Java 版的 PDF 解析技术都将大幅提升数据处理效率，充分释放文档中的商业价值。
E-iceblue旗下Spire系列产品，是文档处理组件领域的佼佼者，支持国产化信创。本指南将介绍如何使用 Spire.PDF for Java 读取 PDF 文档 ，涵盖从可搜索的 PDF 提取文本 、表格和 图片 ，以及通过 OCR 技术从扫描版 PDF 中读取文本。
Spire.PDF for Java免费试用下载，请联系e-iceblue官方授权合作经销商慧都科技 
加入Spire技术交流QQ群（125237868），与更多开发者一起提升文档开发技能。
用于读取 PDF 内容的 Java 库

选择适合的库是成功读取 PDF 的关键。Spire.PDF 以其稳定性和丰富功能脱颖而出，支持文本提取、图片获取、表格解析及 OCR 集成，其直观 API 和完善的教程对新手和专家同样友好。
开始前请从官网下载 Spire.PDF for Java 并添加至项目依赖。Maven 用户请在 pom.xml 中添加：

1. <repositories>
2.     <repository>
3.         <id>com.e-iceblue</id>
4.         <name>e-iceblue</name>
5.         <url>https://repo.e-iceblue.cn/repository/maven-public/</url>
6.     </repository>
7. </repositories>
8. <dependencies>
9.     <dependency>
10.         <groupId>e-iceblue</groupId>
11.         spire.pdf</artifactId>
12.         <version>11.6.2</version>
13.     </dependency>
14. </dependencies>

复制代码

下文将演示如何运用 Spire.PDF 完成各类 PDF 读取任务。
Java 从可搜索 PDF 读取文本

可搜索 PDF 以机器可读的格式存储文本，便于高效提取内容。Spire.PDF 中的 PdfTextExtractor 类可直接获取可搜索PDF的页面文本，而 PdfTextExtractOptions 能灵活设置提取参数，包括文本布局处理策略和指定提取区域。
以下示例展示如何使用 Java 提取 PDF 所有页面的文本并输出到TXT文件：

1. import com.spire.pdf.PdfDocument;
2. import com.spire.pdf.PdfPageBase;
3. import com.spire.pdf.texts.PdfTextExtractOptions;
4. import com.spire.pdf.texts.PdfTextExtractor;
5. import com.spire.pdf.texts.PdfTextStrategy;
7. import java.io.IOException;
8. import java.nio.file.Files;
9. import java.nio.file.Path;
10. import java.nio.file.Paths;
12. public class ExtractTextFromSearchablePdf {
14.     public static void main(String[] args) throws IOException {
16.         // 创建一个 PdfDocument 对象
17.         PdfDocument doc = new PdfDocument();
19.         // 加载 PDF 文件
20.         doc.loadFromFile("C:\\Users\\Administrator\\Desktop\\Input.pdf");
22.         // 遍历所有页面
23.         for (int i = 0; i < doc.getPages().getCount(); i++) {
25.             // 获取当前页面
26.             PdfPageBase page = doc.getPages().get(i);
28.             // 创建一个 PdfTextExtractor 对象
29.             PdfTextExtractor textExtractor = new PdfTextExtractor(page);
31.             // 创建一个 PdfTextExtractOptions 对象
32.             PdfTextExtractOptions extractOptions = new PdfTextExtractOptions();
34.             // 指定提取策略
35.             extractOptions.setStrategy(PdfTextStrategy.None);
37.             // 从页面中提取文本
38.             String text = textExtractor.extract(extractOptions);
40.             // 定义输出文件路径
41.             Path outputPath = Paths.get("output/Extracted_Page_" + (i + 1) + ".txt");
43.             // 写入 txt 文件
44.             Files.write(outputPath, text.getBytes());
45.         }
47.         // 关闭文档
48.         doc.close();
49.     }
50. }

复制代码

效果图：

Java 从 PDF 文档读取图片

对于包含图形的 PDF，PdfImageHelper 类能精准提取所有嵌入式图片。通过 PdfImageInfo 对象可将图片保存为标准图像文件，特别适用于产品图册等视觉内容重要的文档。
以下Java示例将 PDF 文档中的所有图片提取为 PNG 文件：

1. import com.spire.pdf.PdfDocument;
2. import com.spire.pdf.PdfPageBase;
3. import com.spire.pdf.utilities.PdfImageHelper;
4. import com.spire.pdf.utilities.PdfImageInfo;
6. import javax.imageio.ImageIO;
7. import java.awt.image.BufferedImage;
8. import java.io.File;
9. import java.io.IOException;
11. public class ExtractAllImages {
13.     public static void main(String[] args) throws IOException {
15.         // 创建一个 PdfDocument 对象
16.         PdfDocument doc = new PdfDocument();
18.         // 加载 PDF 文档
19.         doc.loadFromFile("C:\\Users\\Administrator\\Desktop\\Input.pdf");
21.         // 创建一个 PdfImageHelper 对象
22.         PdfImageHelper imageHelper = new PdfImageHelper();
24.         // 声明一个整型变量
25.         int m = 0;
27.         // 遍历页面
28.         for (int i = 0; i < doc.getPages().getCount(); i++) {
30.             // 获取特定页面
31.             PdfPageBase page = doc.getPages().get(i);
33.             // 获取页面中的所有图像信息
34.             PdfImageInfo[] imageInfos = imageHelper.getImagesInfo(page);
36.             // 遍历图像信息
37.             for (int j = 0; j < imageInfos.length; j++)
38.             {
39.                 // 获取特定图像信息
40.                 PdfImageInfo imageInfo = imageInfos[j];
42.                 // 获取图像
43.                 BufferedImage image = imageInfo.getImage();
44.                 File file = new File(String.format("output/Image-%d.png",m));
45.                 m++;
47.                 // 以 PNG 格式保存图像文件
48.                 ImageIO.write(image, "PNG", file);
49.             }
50.         }
52.         // 清理资源
53.         doc.dispose();
54.     }
55. }

复制代码

效果图：

Java 从 PDF 文件读取表格数据

Spire.PDF 提供的 PdfTableExtractor 类能智能识别表格边界，生成的 PdfTable 对象保持原始结构，并支持使用 PdfTable.getText() 方法获取具体单元格中的文本。该功能特别适用于从财务报表等结构化文档提取数据。
以下 Java 代码将 PDF 中的每一个表格导出为单独的TXT文件：

1. import com.spire.pdf.PdfDocument;
2. import com.spire.pdf.utilities.PdfTable;
3. import com.spire.pdf.utilities.PdfTableExtractor;
5. import java.io.FileWriter;
7. public class ExtractTableData {
8.     public static void main(String[] args) throws Exception {
10.         // 创建一个 PdfDocument 对象
11.         PdfDocument doc = new PdfDocument();
13.         // 加载 PDF 文档
14.         doc.loadFromFile("C:\\Users\\Administrator\\Desktop\\Input.pdf");
16.         // 创建一个 PdfTableExtractor 实例
17.         PdfTableExtractor extractor = new PdfTableExtractor(doc);
19.         // 初始化表计数器
20.         int tableCounter = 1;
22.         // 遍历 PDF 中的页面
23.         for (int pageIndex = 0; pageIndex < doc.getPages().getCount(); pageIndex++) {
25.             // 从当前页面提取表格到 PdfTable 数组
26.             PdfTable[] tableLists = extractor.extractTable(pageIndex);
28.             // 如果找到任何表格
29.             if (tableLists != null && tableLists.length > 0) {
31.                 // 遍历数组中的表格
32.                 for (PdfTable table : tableLists) {
34.                     // 为当前表格创建一个 StringBuilder
35.                     StringBuilder builder = new StringBuilder();
37.                     // 遍历当前表格中的行
38.                     for (int i = 0; i < table.getRowCount(); i++) {
40.                         // 遍历当前表格中的列
41.                         for (int j = 0; j < table.getColumnCount(); j++) {
43.                             // 从当前表格单元格中提取数据并附加到 StringBuilder
44.                             String text = table.getText(i, j);
45.                             builder.append(text).append(" | ");
46.                         }
47.                         builder.append("\r\n");
48.                     }
50.                     // 为每个表格写入一个单独的 .txt 文档
51.                     FileWriter fw = new FileWriter("output/Table_" + tableCounter + ".txt");
52.                     fw.write(builder.toString());
53.                     fw.flush();
54.                     fw.close();
56.                     // 增加表计数器
57.                     tableCounter++;
58.                 }
59.             }
60.         }
62.         // 清理资源
63.         doc.dispose();
64.     }
65. }

复制代码

效果图：

通过 OCR 将扫描版 PDF 转为文本

从扫描版的 PDF 提取文本需要依赖 OCR 引擎，如Spire.OCR for Java。本解决方案首先使用 Spire.PDF 的渲染引擎将页面转换为图片，然后通过 Spire.OCR 的 OcrScanner 类从图片识别文字。通过这两步法，可以有效地将实体文档扫描转换为可编辑文本，且支持多种语言。
步骤 1. 安装Spire.OCR 并配置环境

• 下载 Spire.OCR for Java，并将 Jar 文件作为依赖添加到您的项目中。
  
• 从以下链接中下载适合您操作系统的模型，并将压缩包解压到您磁盘上的某个位置。
  
  
  
  • Windows x64
    
  • Linux x64
    
  • macOS 10.15 及更高版本
    
  
  
• 在您的代码中配置模型。
  

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

复制代码

步骤 2. 将扫描的 PDF 转换为文本
此代码示例将扫描 PDF 的每一页转换为图像文件，应用 OCR 提取文本，并将结果保存到文本文件中。

1. import com.spire.ocr.OcrException;
2. import com.spire.ocr.OcrScanner;
3. import com.spire.ocr.ConfigureOptions;
4. import com.spire.pdf.PdfDocument;
5. import com.spire.pdf.graphics.PdfImageType;
7. import javax.imageio.ImageIO;
8. import java.awt.image.BufferedImage;
9. import java.io.File;
10. import java.io.IOException;
11. import java.nio.file.Files;
12. import java.nio.file.Path;
13. import java.nio.file.Paths;
15. public class ExtractTextFromScannedPdf {
17.     public static void main(String[] args) throws IOException, OcrException {
19.         // 创建 OcrScanner 类的实例
20.         OcrScanner scanner = new OcrScanner();
22.         // 配置扫描器
23.         ConfigureOptions configureOptions = new ConfigureOptions();
24.         configureOptions.setModelPath("D:\\win-x64"); // 设置模型路径
25.         configureOptions.setLanguage("Chinese"); // 设置语言
27.         // 应用配置选项
28.         scanner.ConfigureDependencies(configureOptions);
30.         // 加载 PDF 文档
31.         PdfDocument doc = new PdfDocument();
32.         doc.loadFromFile("C:\\Users\\Administrator\\Desktop\\Input.pdf");
34.         // 准备临时目录
35.         String tempDirPath = "temp";
36.         new File(tempDirPath).mkdirs(); // 创建临时目录
38.         StringBuilder allText = new StringBuilder();
40.         // 遍历所有页面
41.         for (int i = 0; i < doc.getPages().getCount(); i++) {
43.             // 将页面转换为图像
44.             BufferedImage bufferedImage = doc.saveAsImage(i, PdfImageType.Bitmap);
45.             String imagePath = tempDirPath + File.separator + String.format("page_%d.png", i);
46.             ImageIO.write(bufferedImage, "PNG", new File(imagePath));
48.             // 执行 OCR
49.             scanner.scan(imagePath);
50.             String pageText = scanner.getText().toString();
51.             allText.append(String.format("\n--- PAGE %d ---\n%s\n", i + 1, pageText));
53.             // 清理临时图像
54.             new File(imagePath).delete();
55.         }
57.         // 将所有提取的文本保存到文件
58.         Path outputTxtPath = Paths.get("output", "extracted_text.txt");
59.         Files.write(outputTxtPath, allText.toString().getBytes());
61.         // 关闭文档
62.         doc.close();
63.         System.out.println("文本已提取到 " + outputTxtPath);
64.     }
65. }

复制代码

效果图：

结语

在数字化转型的浪潮中，PDF 文档作为企业信息的重要载体，其高效处理能力已成为现代开发者的核心竞争力。通过本指南介绍的 Spire.PDF for Java 技术方案，开发者可以轻松应对各类 PDF 数据提取需求，从简单的文本和图片提取 到复杂的 表格数据解析 ，再到 扫描文档的智能识别 ，帮助企业更好地管理和利用文档信息。
此外，Spire.PDF for Java 提供了一套全面的工具和功能，使开发者能够构建起完整的文档自动化处理能力。无论是自动化生成报告、批量处理文档，还是提取特定数据以供分析，开发者都能通过灵活的 API 和丰富的示例代码，快速实现这些功能。这不仅提高了工作效率，也减少了人工操作的错误率，为企业带来了更高的生产力和竞争优势。
常见问题

Q1：如何使用 Java 从扫描 PDF 提取文本？

结合 Spire.PDF for Java 和 Spire.OCR for Java 即可实现：先将 PDF 页面转为图片，再进行 OCR 识别。
Q2：在Java 中读取 PDF 的最佳库是什么？

强烈推荐 Spire.PDF for Java，因为它功能多样且易于使用。它支持文本、图像、表格的提取以及 OCR 集成。
Q3：Spire.PDF 是否支持提取元数据、附件和超链接？

是的， Spire.PDF支持提取：

• 元数据（标题/作者/关键词）
  
• 附件（嵌入文件）
  
• 超链接（ URL 和文档链接）
  

该库提供 PdfDocumentInformation 类获取元数据，以及用于获取附件( PdfAttachmentCollection )和超链接( PdfUriAnnotation )的方法。
Q4：如何以编程方式将 PDF表格提取为 CSV/Excel？

使用 Spire.PDF for Java，您可以从 PDF 中提取表格数据，然后通过 Spire.XLS for Java 无缝导出到 Excel（XLSX）或 CSV 格式。

来源：程序园用户自行投稿发布，如果侵权，请联系站长删除
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！