使用xpdf来处理中文PDF文档

航空

下载：xpdf xpdf-chinese-simplified   D. V5 x2 F, w0 V         xpdf-chinese-traditional.tar.gz # W3 K! s! f6 Y! _; H0 r下载两个中文字体文件 字体文件 & D; T8 {3 g: u8 N9 T- D8 A2 l2 P4 E 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。 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 1 J" ?$ f$ l( n8 b2 t  S: T cidToUnicode    Adobe-GB1       c:\xpdftest\xpdf\xpdf-chinese-simplified\Adobe-GB1.cidToUnicode unicodeMap      ISO-2022-CN     c:\xpdftest\xpdf\xpdf-chinese-simplified\ISO-2022-CN.unicodeMap unicodeMap      EUC-CN          c:\xpdftest\xpdf\xpdf-chinese-simplified\EUC-CN.unicodeMap unicodeMap GBK     c:\xpdftest\xpdf\xpdf-chinese-simplified\GBK.unicodeMap cMapDir         Adobe-GB1       c:\xpdftest\xpdf\xpdf-chinese-simplified\CMap toUnicodeDir                    c:\xpdftest\xpdf\xpdf-chinese-simplified\CMap fontDir C:\WINDOWS\Fonts displayCIDFontTT Adobe-GB1 C:\WINDOWS\Fonts\simhei.ttf textEOL      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。 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。 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。 source:http://book.csdn.net/bookfiles/312/10031212844.shtml