java解析pdf文档(前面写了docx的解析所以也思考写一份pdf的解析)--PdfReader底层分析_pdfreader依赖

一、直接将前篇docx文档转成pdf文档用于测试
二、由于使用pdf文档所以需要引入一个新的依赖

<!--itextpdf是生成PDF文档的一个java类库-->
<dependency>
  <groupId>com.itextpdf</groupId>
  <artifactId>itextpdf</artifactId>
  <version>5.5.7</version>
</dependency>
1
2
3
4
5
6

三、获取pdf的文档下标要从1开始，如果像之前一样循坏页数从下标0开始遍历会报错：

错误代码段：

PdfReader pdfReader = new PdfReader(file.getInputStream());
      //获取pdf的页数
      int page = pdfReader.getNumberOfPages();
      for(int i=0 ; i<=page ; i++){
        //获取pdf每一页的内容
        String content = PdfTextExtractor.getTextFromPage(pdfReader, i);
        //根据固定的数据去取需要的数据信息
        String perfix = "";
      }
1
2
3
4
5
6
7
8
9

这里从红框77行一路点进去，会看见下面这个PdfReader.class底层代码：

这个方法就能发现，如果下标从0开始，这里–pageNum直接把数值变为-1，循坏条件不满足，获取不到pdf的数据；

四、核心代码：

  /**
   * 获取固定格式pdf文件的数据信息
   * @param file
   */
  public void pdfIndentify(MultipartFile file){
    try {
      //获取pdf
      PdfReader pdfReader = new PdfReader(file.getInputStream());
      //获取pdf的页数
      int page = pdfReader.getNumberOfPages();
      String insAmt = null;
      String insPrice = null;
      String insQty = null;
      String date = null;
      for(int i=1 ; i<=page ; i++){
        //获取pdf每一页的内容
        String content = PdfTextExtractor.getTextFromPage(pdfReader, i);
        PdfReaderContentParser pdfReaderContentParser = new PdfReaderContentParser(pdfReader);
        log.info(content);
        //根据固定的数据去取需要的数据信息
        String perfix = "量";
        String suffix = "文档日期";
        //在切割数据时要考虑到把换行符排掉，所以开始下标多加了1，结束下标减一
        String subString = content.substring(content.indexOf(perfix)+2,content.indexOf(suffix)-1);
        perfix = ":";
        suffix = "作者";
        //由于段落与段落间换行，所以结束下标需要减一，去掉换行符
        date = content.substring(content.indexOf(perfix)+1,content.indexOf(suffix)-1).replaceAll(" ","");
        List<String> dataList = Arrays.asList(subString.split(" "));
        insAmt = dataList.get(0);
        insPrice = dataList.get(1);
        insQty = dataList.get(2);
      }
      //这里由于只是测试所以直接把获得的数据打印出来验证下就好了，实际中这个文档应该是流程中提供的官网文档，会落入数据库中或使用在一定业务场景
      log.info("金额："+insAmt+";价格："+insPrice+";数量："+insQty+";日期："+date);
      System.out.println("金额："+insAmt+";价格："+insPrice+";数量："+insQty+";日期："+date);
    } catch (IOException e) {
      e.printStackTrace();
    }
  }
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40

结果展示：

五、总结：
1、按页数获取pdf内容时，需从下标1开始
2、在解析特定格式的pdf文件时，可以先获取每页的pdf内容，然后根据固定的字符串截取所需要的数据信息