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

晚睡小猫 發表於 2025-7-4 13:48:00

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

<img src="https://image.evget.com/attachment/keditor/image/20250704/094529_8.png">
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。
<div>
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。
</div>
<h2>用于读取 PDF 内容的 Java 库</h2>
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：
<pre class="prettyprint lang-js highlighter-hljs"><code><repositories>
<repository>
 <id>com.e-iceblue</id>
 <name>e-iceblue</name>
 <url>https://repo.e-iceblue.cn/repository/maven-public/</url>
</repository>
</repositories>
<dependencies>
<dependency>
 <groupId>e-iceblue</groupId>
 <artifactId>spire.pdf</artifactId>
 <version>11.6.2</version>
</dependency>
</dependencies></code></pre>
下文将演示如何运用 Spire.PDF 完成各类 PDF 读取任务。
<h2>Java 从可搜索 PDF 读取文本</h2>
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：
<pre class="prettyprint lang-js highlighter-hljs"><code>import com.spire.pdf.PdfDocument;
import com.spire.pdf.PdfPageBase;
import com.spire.pdf.texts.PdfTextExtractOptions;
import com.spire.pdf.texts.PdfTextExtractor;
import com.spire.pdf.texts.PdfTextStrategy;

import java.io.IOException;
import java.nio.file.Files;
import java.nio.file.Path;
import java.nio.file.Paths;

public class ExtractTextFromSearchablePdf {

public static void main(String[] args) throws IOException {

 // 创建一个 PdfDocument 对象
 PdfDocument doc = new PdfDocument();

 // 加载 PDF 文件
 doc.loadFromFile("C:\\Users\\Administrator\\Desktop\\Input.pdf");

 // 遍历所有页面
 for (int i = 0; i < doc.getPages().getCount(); i++) {

 // 获取当前页面
 PdfPageBase page = doc.getPages().get(i);

 // 创建一个 PdfTextExtractor 对象
 PdfTextExtractor textExtractor = new PdfTextExtractor(page);

 // 创建一个 PdfTextExtractOptions 对象
 PdfTextExtractOptions extractOptions = new PdfTextExtractOptions();

 // 指定提取策略
 extractOptions.setStrategy(PdfTextStrategy.None);

 // 从页面中提取文本
 String text = textExtractor.extract(extractOptions);

 // 定义输出文件路径
 Path outputPath = Paths.get("output/Extracted_Page_" + (i + 1) + ".txt");

 // 写入 txt 文件
 Files.write(outputPath, text.getBytes());
 }

 // 关闭文档
 doc.close();
}
}</code></pre>
效果图：
<img src="https://www.e-iceblue.cn/images/tutorials-images/extract_text_from_pdf_20250630.png">
<h2>Java 从 PDF 文档读取图片</h2>
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：
<pre class="prettyprint lang-js highlighter-hljs"><code>import com.spire.pdf.PdfDocument;
import com.spire.pdf.PdfPageBase;
import com.spire.pdf.utilities.PdfImageHelper;
import com.spire.pdf.utilities.PdfImageInfo;

import javax.imageio.ImageIO;
import java.awt.image.BufferedImage;
import java.io.File;
import java.io.IOException;

public class ExtractAllImages {

public static void main(String[] args) throws IOException {

 // 创建一个 PdfDocument 对象
 PdfDocument doc = new PdfDocument();

 // 加载 PDF 文档
 doc.loadFromFile("C:\\Users\\Administrator\\Desktop\\Input.pdf");

 // 创建一个 PdfImageHelper 对象
 PdfImageHelper imageHelper = new PdfImageHelper();

 // 声明一个整型变量
 int m = 0;

 // 遍历页面
 for (int i = 0; i < doc.getPages().getCount(); i++) {

 // 获取特定页面
 PdfPageBase page = doc.getPages().get(i);

 // 获取页面中的所有图像信息
 PdfImageInfo[] imageInfos = imageHelper.getImagesInfo(page);

 // 遍历图像信息
 for (int j = 0; j < imageInfos.length; j++)
 {
 // 获取特定图像信息
 PdfImageInfo imageInfo = imageInfos;

 // 获取图像
 BufferedImage image = imageInfo.getImage();
 File file = new File(String.format("output/Image-%d.png",m));
 m++;

 // 以 PNG 格式保存图像文件
 ImageIO.write(image, "PNG", file);
 }
 }

 // 清理资源
 doc.dispose();
}
}</code></pre>
效果图：
<img src="https://www.e-iceblue.cn/images/tutorials-images/extract_image_from_pdf_2050630.png">
<h2>Java 从 PDF 文件读取表格数据</h2>
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：
<pre class="prettyprint lang-js highlighter-hljs"><code>import com.spire.pdf.PdfDocument;
import com.spire.pdf.utilities.PdfTable;
import com.spire.pdf.utilities.PdfTableExtractor;

import java.io.FileWriter;

public class ExtractTableData {
public static void main(String[] args) throws Exception {

 // 创建一个 PdfDocument 对象
 PdfDocument doc = new PdfDocument();

 // 加载 PDF 文档
 doc.loadFromFile("C:\\Users\\Administrator\\Desktop\\Input.pdf");

 // 创建一个 PdfTableExtractor 实例
 PdfTableExtractor extractor = new PdfTableExtractor(doc);

 // 初始化表计数器
 int tableCounter = 1;

 // 遍历 PDF 中的页面
 for (int pageIndex = 0; pageIndex < doc.getPages().getCount(); pageIndex++) {

 // 从当前页面提取表格到 PdfTable 数组
 PdfTable[] tableLists = extractor.extractTable(pageIndex);

 // 如果找到任何表格
 if (tableLists != null && tableLists.length > 0) {

 // 遍历数组中的表格
 for (PdfTable table : tableLists) {

 // 为当前表格创建一个 StringBuilder
 StringBuilder builder = new StringBuilder();

 // 遍历当前表格中的行
 for (int i = 0; i < table.getRowCount(); i++) {

 // 遍历当前表格中的列
 for (int j = 0; j < table.getColumnCount(); j++) {

 // 从当前表格单元格中提取数据并附加到 StringBuilder
 String text = table.getText(i, j);
 builder.append(text).append(" | ");
 }
 builder.append("\r\n");
 }

 // 为每个表格写入一个单独的 .txt 文档
 FileWriter fw = new FileWriter("output/Table_" + tableCounter + ".txt");
 fw.write(builder.toString());
 fw.flush();
 fw.close();

 // 增加表计数器
 tableCounter++;
 }
 }
 }

 // 清理资源
 doc.dispose();
}
}</code></pre>
效果图：
<img src="https://www.e-iceblue.cn/images/tutorials-images/input_table_pdf_20250630.png">
<h2>通过 OCR 将扫描版 PDF 转为文本</h2>
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
<ul>
<li>下载 Spire.OCR for Java，并将 Jar 文件作为依赖添加到您的项目中。</li>
<li>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。
<ul>
<li>Windows x64</li>
<li>Linux x64</li>
<li>macOS 10.15 及更高版本</li>
</ul>
</li>
<li>在您的代码中配置模型。</li>
</ul>
<pre class="prettyprint lang-js highlighter-hljs"><code>OcrScanner scanner = new OcrScanner();
configureOptions.setModelPath("D:\\win-x64"); // 模型路径</code></pre>
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。
<pre class="prettyprint lang-js highlighter-hljs"><code>import com.spire.ocr.OcrException;
import com.spire.ocr.OcrScanner;
import com.spire.ocr.ConfigureOptions;
import com.spire.pdf.PdfDocument;
import com.spire.pdf.graphics.PdfImageType;

import javax.imageio.ImageIO;
import java.awt.image.BufferedImage;
import java.io.File;
import java.io.IOException;
import java.nio.file.Files;
import java.nio.file.Path;
import java.nio.file.Paths;

public class ExtractTextFromScannedPdf {

public static void main(String[] args) throws IOException, OcrException {

 // 创建 OcrScanner 类的实例
 OcrScanner scanner = new OcrScanner();

 // 配置扫描器
 ConfigureOptions configureOptions = new ConfigureOptions();
 configureOptions.setModelPath("D:\\win-x64"); // 设置模型路径
 configureOptions.setLanguage("Chinese"); // 设置语言

 // 应用配置选项
 scanner.ConfigureDependencies(configureOptions);

 // 加载 PDF 文档
 PdfDocument doc = new PdfDocument();
 doc.loadFromFile("C:\\Users\\Administrator\\Desktop\\Input.pdf");

 // 准备临时目录
 String tempDirPath = "temp";
 new File(tempDirPath).mkdirs(); // 创建临时目录

 StringBuilder allText = new StringBuilder();

 // 遍历所有页面
 for (int i = 0; i < doc.getPages().getCount(); i++) {

 // 将页面转换为图像
 BufferedImage bufferedImage = doc.saveAsImage(i, PdfImageType.Bitmap);
 String imagePath = tempDirPath + File.separator + String.format("page_%d.png", i);
 ImageIO.write(bufferedImage, "PNG", new File(imagePath));

 // 执行 OCR
 scanner.scan(imagePath);
 String pageText = scanner.getText().toString();
 allText.append(String.format("\n--- PAGE %d ---\n%s\n", i + 1, pageText));

 // 清理临时图像
 new File(imagePath).delete();
 }

 // 将所有提取的文本保存到文件
 Path outputTxtPath = Paths.get("output", "extracted_text.txt");
 Files.write(outputTxtPath, allText.toString().getBytes());

 // 关闭文档
 doc.close();
 System.out.println("文本已提取到 " + outputTxtPath);
}
}</code></pre>
效果图：
<img src="https://www.e-iceblue.cn/images/tutorials-images/extract_text_from_scanned_pdf_2050630.png">
<h2>结语</h2>
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。
<h2>常见问题</h2>
<h3>Q1：如何使用 Java 从扫描 PDF 提取文本？</h3>
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。
<h3>Q2：在Java 中读取 PDF 的最佳库是什么？</h3>
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。
<h3>Q3：Spire.PDF 是否支持提取元数据、附件和超链接？</h3>
是的， Spire.PDF支持提取：
<ul>
<li>元数据（标题/作者/关键词）</li>
<li>附件（嵌入文件）</li>
<li>超链接（ URL 和文档链接）</li>
</ul>
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。
<h3>Q4：如何以编程方式将 PDF表格提取为 CSV/Excel？</h3>
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：https://www.cnblogs.com/software-Development/p/18965527

頁: [1]

琼殿技术论坛's Archiver

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