抱歉也开始用了这么“标题党”的标题。事情起源于前几天需要把个人资料的pdf文档一页一页的拆出来，好传到相关的网站上。直接截图到word再转pdf比较麻烦，所以想用工具直接转换。结果找了几个pdf阅读器，这类操作都需要会员或收费。作为一名程序员，这么简单的操作还要收费显然是一种羞耻（当然我是不会承认主要是因为qiong的），几分钟就可以代码解决的问题为啥要花钱呢？废话不多说，开搞。
工具准备之前的文章Apache POI 详解及 Word 文档读取示例中，我们曾经用apache poi来实现对word文档的操作。对于pdf文件，也同样有apache的pdfbox（官网：https://pdfbox.apache.org/），和itextpdf（官网：https://itextpdf.com/）包可以使用。
PDFBox：
PDFBox 是 java 实现的 PDF 文档协作类库，提供 PDF 文档的创建、处理以及文档内容提取功能，也包含了一些命令行实用工具。PDFBox提供的主要功能有：
- 从 PDF 提取文本
- 合并 PDF 文档
- PDF 文档加密与解密
- 与 Lucene 搜索引擎的集成
- 填充 PDF/XFDF 表单数据
- 从文本文件创建 PDF 文档
- 从 PDF 页面创 建图片
- 打印 PDF 文档
itextpdf：
iText是著名的开放源码的站点sourceforge一个项目，是用于生成PDF文档的一个java类库。通过iText不仅可以生成PDF或rtf的文档，而且可以将XML、Html文件转化为PDF文件。 iText的安装非常方便，下载iText.jar文件后，只需要在系统的CLASSPATH中加入iText.jar的路径，在程序中就可以使用iText类库了。
依赖引入新建一个java maven工程，引入依赖包（这里使用的是itextpdf的5.5.1 和 pdfbox的2.0.15版本）：
<?xml version="1.0" encoding="UTF-8"?>
<project xmlns="http://maven.apache.org/POM/4.0.0"
xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/xsd/maven-4.0.0.xsd">
<modelVersion>4.0.0</modelVersion>
<groupId>org.example</groupId>
<artifactId>pdf-test</artifactId>
<version>1.0-SNAPSHOT</version>
<dependencies>
<dependency>
<groupId>com.itextpdf</groupId>
<artifactId>itextpdf</artifactId>
<version>5.5.1</version>
<type>jar</type>
</dependency>
<dependency>
<groupId>org.apache.pdfbox</groupId>
<artifactId>pdfbox</artifactId>
<version>2.0.15</version>
</dependency>
<!-- https://mvnrepository.com/artifact/org.apache.pdfbox/fontbox -->
<dependency>
<groupId>org.apache.pdfbox</groupId>
<artifactId>fontbox</artifactId>
<version>2.0.15</version>
</dependency>
<!-- https://mvnrepository.com/artifact/org.apache.pdfbox/jempbox -->
<dependency>
<groupId>org.apache.pdfbox</groupId>
<artifactId>jempbox</artifactId>
<version>1.8.16</version>
</dependency>
</dependencies>
</project>pdf文件拆分导出实现
要实现功能：输入pdf文件路径，指定起止页码，截取这几页内容并写入新的pdf文件。例如起始页码1，截止页码3，则生成一个新文件，存储原pdf文档的1-3页。
这里使用的是itextpdf，代码如下：
/**
* 导出pdf文档中的部分页到新的pdf文件
* @param FilePath 文件路径
* @param newFile 写入目标文件路径
* @param from 起始页码
* @param end 结束页码
*/
public static void pdfToSub(String filePath, String newFile, int from, int end) {
Document document = null;
Pdfcopy copy = null;
try {
PdfReader reader = new PdfReader(filePath);
//查询pdf文档页数
int n = reader.getNumberOfPages();
if (end == 0) {
end = n;
}
document = new Document(reader.getPageSize(1));
copy = new PdfCopy(document, new FileOutputStream(newFile));
document.open();
for (int j = from; j <= end; j ) {
document.newPage();
PdfImportedPage page = copy.getImportedPage(reader, j);
copy.addPage(page);
}
document.close();
} catch (Exception e) {
e.printStackTrace();
}
}
main函数：
String filePath = "/Users/xxxx/Downloads/数据中台- 77ebooks.com.pdf";
String newFile = "/Users/xxxx/Downloads/1-3.pdf";
pdfToSub(filePath, newFile, 1, 3);
执行后在目录下可以看到结果文件：
使用pdfbox的pdfparser，代码如下：
/**
* 读取pdf文档指定页数的文本内容
* @param fileName 文件路径及文件名
* @param from 开始页码
* @param end 结束页码
* @return
*/
public static String readPdfByPage(String fileName, int from, int end) {
String result = "";
File file = new File(fileName);
FileInputStream in = null;
try {
in = new FileInputStream(fileName);
// 新建PDF解析器对象
PDFParser parser = new PDFParser(new RandomAccessFile(file,"rw"));
// 文件解析
parser.parse();
// 获取解析后得到的PDF文档对象
PDDocument pdfDocument = parser.getPDDocument();
int size = pdfDocument.getNumberOfPages();
// 新建PDF文本剥离器
PDFTextStripper stripper = new PDFTextStripper();
stripper.setSortByPosition(false); //true则按照行进行读取，默认false
// 设置起始页
stripper.setStartPage(from);
// 设置结束页
stripper.setEndPage(end);
// 从PDF文档中读取文本
result = stripper.getText(pdfDocument);
} catch (Exception e) {
e.printStackTrace();
} finally {
if (in != null) {
try {
in.close();
} catch (IOException e1) {
e1.printStackTrace();
}
}
}
return result;
}
执行后输出：
示例需要需要引入的package如下：
import com.itextpdf.text.Document;
import com.itextpdf.text.pdf.PdfCopy;
import com.itextpdf.text.pdf.PdfImportedPage;
import com.itextpdf.text.pdf.PdfReader;
import org.apache.pdfbox.io.RandomAccessFile;
import org.apache.pdfbox.pdfparser.PDFParser;
import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.text.PDFTextStripper;
import java.io.File;
import java.io.FileInputStream;
import java.io.FileOutputStream;
import java.io.IOException;小结
本篇对pdf的操作做了初步的尝试。后续将详解pdf文件格式，以及pdfbox和itextpdf的核心源码。
,
