使用xpdf来处理中文PDF文档
下载：xpdf xpdf-chinese-simplified
xpdf-chinese-traditional.tar.gz
下载两个中文字体文件 字体文件
将xpdf-3.01pl2-win32.zip解压到c:\xpdftest目录下，然后将xpdf-chinese-simplified.tar.gz解压倒c:\xpdftest\xpdf\目录下，解压后的目录结构如图7-8所示。http://book.csdn.net/BookFiles/312/img/image008.jpg图7-8 Xpdf解压后的目录打开目录下的xpdfrc文件，编辑文件内容，如下代码所示。代码7.3
cidToUnicode Adobe-GB1 c:\xpdftest\xpdf\xpdf-chinese-simplified\Adobe-GB1.cidToUnicodeunicodeMap ISO-2022-CN c:\xpdftest\xpdf\xpdf-chinese-simplified\ISO-2022-CN.unicodeMapunicodeMap EUC-CN c:\xpdftest\xpdf\xpdf-chinese-simplified\EUC-CN.unicodeMapunicodeMap GBK c:\xpdftest\xpdf\xpdf-chinese-simplified\GBK.unicodeMapcMapDir Adobe-GB1 c:\xpdftest\xpdf\xpdf-chinese-simplified\CMaptoUnicodeDir c:\xpdftest\xpdf\xpdf-chinese-simplified\CMapfontDir C:\WINDOWS\FontsdisplayCIDFontTT Adobe-GB1 C:\WINDOWS\Fonts\simhei.ttftextEOL CR+LF文件的路径读者可以根据自己的环境改，如在windows 2000下，fontDir所在的位置是C:\WINNT\Fonts，displayCIDFontTT Adobe-GB1的位置是在C:\WINNT\Fonts\simhei.ttf。7.2.3 提取中文在工程中新建一个ch7.xpdf包，并创建一个Pdf2Text类。该类采用Runtime传入参数，调用pdftotext.exe来进行文本的提取。其具体实现代码如下。代码7.4
public class Pdf2Text { // PDF文件名 private File pdffile; // 转换器的存放位置，默认在c:\xpdf下面 private String CONVERTOR_STORED_PATH = "c:\\xpdf"; // 转换器的名称，默认为pdftotext private String CONVERTOR_NAME = "pdftotext"; // 构造函数，参数为pdf文件的路径 public Pdf2Text(String pdffile) throws IOException { this(new File(pdffile)); } // 构造函数，参数为pdf文件的对像 public Pdf2Text(File pdffile) throws IOException { this.pdffile = pdffile; } // 将pdf转为文本文档 public void toTextFile() throws IOException { toTextFile(pdffile, true); } // 将pdf转为文本文档，参数为目标文件的路径，默认使用PDF文件中的布局 public void toTextFile(String targetfile) throws IOException { toTextFile(new File(targetfile), true); } // 将pdf转为文本文档，参数1为目标文件的路径， // 参数2为true则表示使用PDF文件中的布局 public void toTextFile(String targetfile, boolean isLayout) throws IOException { toTextFile(new File(targetfile), isLayout); } // 将pdf转为文本文档，参数为目标文件 public void toTextFile(File targetfile) throws IOException { toTextFile(targetfile, true); } // 将pdf转为文本文档，参数1为目标文件， // 参数2为true则表示使用PDF文件中的布局 public void toTextFile(File targetfile, boolean isLayout) throws IOException { String[] cmd = getCmd(targetfile, isLayout); Process p = Runtime.getRuntime().exec(cmd); } // 获取PDF转换器的路径 public String getCONVERTOR_STORED_PATH() { return CONVERTOR_STORED_PATH; } // 设置PDF转换器的路径 public void setCONVERTOR_STORED_PATH(String path) { if (!path.trim().endsWith("\\")) path = path.trim() + "\\"; this.CONVERTOR_STORED_PATH = path; } // 解析命令行参数 private String[] getCmd(File targetfile, boolean isLayout) { // 命令字符 String command = CONVERTOR_STORED_PATH + CONVERTOR_NAME; // PDF文件的绝对路径 String source_absolutePath = pdffile.getAbsolutePath(); // 输出文本文件的绝对路径 String target_absolutePath = targetfile.getAbsolutePath(); // 保持原来的layout String layout = "-layout"; // 设置编码方式 String encoding = "-enc"; String character = "GBK"; // 设置不打印任何消息和错误 String mistake = "-q"; // 页面之间不加入分页 String nopagebrk = "-nopgbrk"; // 如果isLayout为false，则设置不保持原来的layout if (!isLayout) layout = ""; return new String[] { command, layout, encoding, character, mistake, nopagebrk, source_absolutePath, target_absolutePath }; }}该类对外提供一个toTextFile()方法。该方法接收2个参数：targetfile为目标PDF文件，isLayout表示是否采用原始的PDF文件中的layout布局。类中的getCmd()方法负责解析传进来的参数，并生成一个String数组。该String数组表示一个操作系统中的命令，其中，各项分别代表命令后所跟的参数。在获得到该数组后，再调用Runtime.getRuntime().exec(String[])函数来执行命令。注意：在getCmd()方法中设置编码方式的时候，用到的是GBK。这并不是对所有的文件都适用，因为中文的编码方式不只一种，读者可以根据PDF的编码类型选择不同的encoding方式。所有简体中文的编码方式都定义在文件xpdfrc中的unicodeMap中，现在支持3种编码方式，分别是ISO-2022-CN，EUC-CN，GBK，如图7-9所示。http://book.csdn.net/BookFiles/312/img/image009.jpg图7-9 xpdfrc文件的内容7.2.4 运行效果下面通过一个函数来测试Pdf2Text类，在ch7.xpdf包中新建一个Pdf2TextTest类，包含一个main函数，其代码如下。代码7.5
public class Pdf2TextTest { public static void main(String[] args) { try { // 参数输入PDF文件的存放位置 Pdf2Text p2t = new Pdf2Text("c:\\test.pdf"); // 设定转换器的位置 p2t.setCONVERTOR_STORED_PATH("c:\\xpdftest\\xpdf"); // 设置文本文件存放位置 p2t.toTextFile("c:\\test.txt"); } catch (Exception e) { e.printStackTrace(); } }}用于转换的PDF文件如图7-10所示。http://book.csdn.net/BookFiles/312/img/image010.jpg图7-10 用于转换的中文PDF文件代码7.5运行之后，结果如图7-11所示。http://book.csdn.net/BookFiles/312/img/image011.jpgsource:http://book.csdn.net/bookfiles/312/10031212844.shtml
页:
[1]