由于PDF是使用最廣泛的數(shù)字文檔之一，因此從PDF文檔提取文本的用例數(shù)量更多。在本文中，將學(xué)習(xí)如何使用Java無縫地從PDF文檔中提取文本。在各種情況下，例如文本分析，信息檢索，文檔解析等，文本提取都可能有用。

• 使用Java從PDF提取文本
• 從PDF中的特定頁面提取文本
• 從PDF中的頁面區(qū)域提取文本

目前，Java版Aspose.PDF升級到v20.11版，感興趣的朋友可點(diǎn)擊下方按鈕下載最新版。（安裝包僅提供部分功能，并設(shè)置限制，如需試用完整功能請）

點(diǎn)擊下載最新版Aspose.PDF for Java

使用Java從PDF提取文本

以下是使用Aspose.PDF for Java從PDF文檔提取文本的步驟。

• 使用Document類加載PDF文件。
• 創(chuàng)建一個(gè)TextAbsorber類的對象。
• 接受TextAbsorber使用PDF的所有頁面Document.getPages（）接受（TextAbsorber）方法。
• 使用TextAbsorber.getText（）方法從PDF獲取所有文本。
• 將文本保存到TXT文件中（可選）。

以下代碼示例顯示了如何使用Java從PDF中提取文本。

// Open document
Document pdfDocument = new Document("input.pdf");

// Create TextAbsorber object to extract text
TextAbsorber textAbsorber = new TextAbsorber();

// Accept the absorber for all the pages
pdfDocument.getPages().accept(textAbsorber);

// Get the extracted text
String extractedText = textAbsorber.getText();

// Create a writer and open the file
java.io.FileWriter writer = new java.io.FileWriter(new java.io.File("Extracted_text.txt"));
writer.write(extractedText);

// Write a line of text to the file tw.WriteLine(extractedText);
// Close the stream
writer.close();

使用Java從PDF中的特定頁面提取文本

還可以使用以下步驟從PDF文檔的特定頁面提取文本。

• 使用Document類加載PDF文件。
• 創(chuàng)建TextDevice類的實(shí)例。
• 使用TextExtractionOptions類定義其他選項(xiàng)。
• 使用TextDevice.setExtractionOptions（TextExtractionOptions）方法設(shè)置選項(xiàng)。
• 使用TextDevice.Process（Page，String）從指定的頁面提取文本。

下面的代碼示例演示如何使用Java從PDF的特定頁面提取文本。

// open document
Document pdfDocument = new Document("input.pdf");
// create text device
TextDevice textDevice = new TextDevice();

// set text extraction options - set text extraction mode (Raw or Pure)
TextExtractionOptions textExtOptions = new TextExtractionOptions(TextExtractionOptions.TextFormattingMode.Raw);

textDevice.setExtractionOptions(textExtOptions);

// get the text from first page of PDF and save it to file format
textDevice.process(pdfDocument.getPages().get_Item(1), "ExtractedText.txt");

從PDF的頁面區(qū)域提取文本

也可以從PDF的頁面特定區(qū)域提取文本。為此，您可以定義一個(gè)矩形以覆蓋需要從中提取文本的區(qū)域。以下是從頁面區(qū)域提取文本的步驟。

• 使用Document類加載PDF文件。
• 創(chuàng)建一個(gè)TextAbsorber類的對象。
• 將限制設(shè)置為頁面綁定，并分別使用TextAbsorber.getTextSearchOptions（）。setLimitToPageBounds（true）和TextAbsorber.getTextSearchOptions（）。setRectangle（new Rectangle（100，200，250，350））方法創(chuàng)建一個(gè)矩形。
• 接受特定頁面的吸收器。
• 使用TextAbsorber.getText（）方法提取文本。

以下代碼示例顯示了如何從Java中的特定頁面區(qū)域提取文本。

// open document
Document doc = new Document("page_0001.pdf");

// create TextAbsorber object to extract text
TextAbsorber absorber = new TextAbsorber();
absorber.getTextSearchOptions().setLimitToPageBounds(true);
absorber.getTextSearchOptions().setRectangle(new Rectangle(100, 200, 250, 350));
// accept the absorber for first page
doc.getPages().get_Item(1).accept(absorber);

// get the extracted text
String extractedText = absorber.getText();
// create a writer and open the file
BufferedWriter writer = new BufferedWriter(new FileWriter(new java.io.File("ExtractedText.txt")));
// write extracted contents
writer.write(extractedText);
// Close writer
writer.close();