使用Java和Apache PDFBox实现PDF文本搜索与文件操作

本教程详细介绍了如何使用java编程语言结合apache pdfbox库，高效且准确地在pdf文件中搜索指定文本。文章将指导读者完成pdf内容的提取、文本搜索逻辑的实现，并根据搜索结果进行文件复制或移动等操作，确保pdf文件的完整性，避免直接将pdf作为普通文本文件处理可能导致的问题。

1. 理解PDF文件与文本搜索的挑战

PDF（Portable Document Format）文件是一种复杂的二进制格式，它不仅包含文本信息，还包含字体、图像、布局、元数据等多种元素。因此，直接使用Java的 FileReader 或 BufferedReader 对PDF文件进行逐行读取，并尝试使用 String.contains() 进行文本搜索是不可行的。这种方法会将PDF文件的二进制内容当作普通文本来处理，导致读取到的内容是乱码，无法进行有效搜索，甚至可能在后续的文件操作中破坏PDF文件的结构。

为了准确地从PDF文件中提取可读文本并进行搜索，我们需要借助专门的PDF处理库来解析PDF文件的内部结构。

2. 引入Apache PDFBox库

Apache PDFBox是一个开源的Java库，用于处理PDF文档。它提供了丰富的功能，包括创建新PDF文档、修改现有文档、从PDF中提取文本、渲染PDF页面为图像等。对于从PDF中提取文本的需求，PDFBox是业界标准且高效的选择。

要在项目中引入PDFBox，如果您使用Maven，可以在 pom.xml 文件中添加以下依赖：

立即学习“Java免费学习笔记（深入）”；

    org.apache.pdfbox    pdfbox    2.0.29 

如果您使用Gradle，可以在 build.gradle 文件中添加：

implementation 'org.apache.pdfbox:pdfbox:2.0.29' // 请使用最新稳定版本

3. 从PDF文件中提取文本

使用PDFBox从PDF文件中提取文本的基本步骤如下：

加载PDF文档： 使用 PDDocument.load() 方法加载一个PDF文件。创建文本提取器： 实例化 PDFTextStripper 类，它是PDFBox中用于提取文本的核心组件。提取文本： 调用 PDFTextStripper 对象的 getText() 方法，传入加载的 PDDocument 对象，即可获取PDF文档的全部文本内容。关闭文档： 务必调用 PDDocument.close() 方法来释放资源，特别是在处理大量PDF文件时，这可以避免内存泄漏。

以下是一个简单的示例代码，演示如何从PDF文件中提取所有文本并打印到控制台：

稿定抠图

AI自动消除图片背景

76 查看详情

import java.io.File;import java.io.IOException;import org.apache.pdfbox.pdmodel.PDDocument;import org.apache.pdfbox.text.PDFTextStripper;public class PdfTextExtractor {    /**     * 从指定的PDF文件中提取所有文本内容。     * @param pdfFilePath PDF文件的路径     * @return 提取到的文本内容     * @throws IOException 如果文件操作失败     */    public static String extractTextFromPdf(String pdfFilePath) throws IOException {        File file = new File(pdfFilePath);        // 使用 try-with-resources 确保 PDDocument 资源被正确关闭        try (PDDocument document = PDDocument.load(file)) {            PDFTextStripper pdfStripper = new PDFTextStripper();            return pdfStripper.getText(document);        }    }    public static void main(String[] args) {        String pdfPath = "D:Sample.pdf"; // 替换为您的PDF文件路径        try {            String text = extractTextFromPdf(pdfPath);            System.out.println("从PDF中提取的文本内容：" + text.substring(0, Math.min(text.length(), 500)) + "..."); // 打印部分内容        } catch (IOException e) {            System.err.println("读取PDF文件时发生错误：" + e.getMessage());            e.printStackTrace();        }    }}

4. 实现PDF文本搜索逻辑

一旦我们能够从PDF文件中提取出完整的文本内容，接下来的文本搜索就变得和处理普通字符串一样简单了。我们可以使用 String.contains() 方法来检查提取出的文本是否包含目标关键词。

为了使搜索功能更灵活，我们可以：

忽略大小写： 将提取出的文本和搜索关键词都转换为小写或大写进行比较。支持多词搜索： 循环处理多个关键词，或者使用正则表达式进行更复杂的匹配。

以下代码片段展示了如何结合用户输入和 String.contains() 进行文本搜索：

import java.io.File;import java.io.IOException;import java.util.Scanner;import org.apache.pdfbox.pdmodel.PDDocument;import org.apache.pdfbox.text.PDFTextStripper;public class PdfSearcher {    /**     * 检查PDF文件是否包含指定的关键词。     * @param pdfFilePath PDF文件的路径     * @param searchTerm 要搜索的关键词     * @param ignoreCase 是否忽略大小写     * @return 如果找到关键词则返回 true，否则返回 false     * @throws IOException 如果文件操作失败     */    public static boolean searchWordInPdf(String pdfFilePath, String searchTerm, boolean ignoreCase) throws IOException {        String pdfText = PdfTextExtractor.extractTextFromPdf(pdfFilePath);        if (pdfText == null || pdfText.isEmpty()) {            return false;        }        if (ignoreCase) {            return pdfText.toLowerCase().contains(searchTerm.toLowerCase());        } else {            return pdfText.contains(searchTerm);        }    }    public static void main(String[] args) {        Scanner scanner = new Scanner(System.in);        String pdfPath = "C:Usersuser012DesktopEvalution.pdf"; // 替换为您的PDF文件路径        System.out.println("请输入您要搜索的词语 (输入'Exit'退出):");        while (scanner.hasNextLine()) {            String searchTerm = scanner.nextLine();            if (searchTerm.equalsIgnoreCase("Exit")) {                break;            }            try {                boolean found = searchWordInPdf(pdfPath, searchTerm, true); // 忽略大小写搜索                if (found) {                    System.out.println("是的，'" + searchTerm + "' 在文件中找到了。");                    // 在这里可以添加文件操作逻辑                } else {                    System.out.println("没有，'" + searchTerm + "' 在文件中未找到。");                }            } catch (IOException e) {                System.err.println("搜索PDF文件时发生错误：" + e.getMessage());                e.printStackTrace();            }            System.out.println("请输入您要搜索的词语 (输入'Exit'退出):");        }        scanner.close();        System.out.println("程序结束。");    }}

5. 根据搜索结果执行文件操作

在确认PDF文件包含目标关键词后，我们可以执行相应的文件操作，例如将文件复制或移动到指定目录。Java 7 引入的 java.nio.file.Files 类提供了强大而灵活的文件系统操作功能，是进行文件复制和移动的首选。

Files.copy(source, target, options)： 复制文件。Files.move(source, target, options)： 移动文件（可以理解为复制后删除源文件）。

这些方法可以指定 StandardCopyOption 来控制复制或移动的行为，例如 REPLACE_EXISTING（如果目标文件已存在则替换）或 ATOMIC_MOVE（原子性移动，保证要么成功要么失败，不会出现部分移动的情况）。

import java.io.File;import java.io.IOException;import java.nio.file.Files;import java.nio.file.Path;import java.nio.file.Paths;import java.nio.file.StandardCopyOption;import java.util.Scanner;import org.apache.pdfbox.pdmodel.PDDocument;import org.apache.pdfbox.text.PDFTextStripper;public class PdfSearchAndMove {    /**     * 从指定的PDF文件中提取所有文本内容。     * @param pdfFilePath PDF文件的路径     * @return 提取到的文本内容     * @throws IOException 如果文件操作失败     */    public static String extractTextFromPdf(String pdfFilePath) throws IOException {        File file = new File(pdfFilePath);        try (PDDocument document = PDDocument.load(file)) {            PDFTextStripper pdfStripper = new PDFTextStripper();            return pdfStripper.getText(document);        }    }    /**     * 检查PDF文件是否包含指定的关键词。     * @param pdfFilePath PDF文件的路径     * @param searchTerm 要搜索的关键词     * @param ignoreCase 是否忽略大小写     * @return 如果找到关键词则返回 true，否则返回 false     * @throws IOException 如果文件操作失败     */    public static boolean searchWordInPdf(String pdfFilePath, String searchTerm, boolean ignoreCase) throws IOException {        String pdfText = extractTextFromPdf(pdfFilePath);        if (pdfText == null || pdfText.isEmpty()) {            return false;        }        if (ignoreCase) {            return pdfText.toLowerCase().contains(searchTerm.toLowerCase());        } else {            return pdfText.contains(searchTerm);        }    }    /**     * 将文件移动到目标目录。     * @param sourcePath 源文件路径     * @param targetDirectory 目标目录路径     * @param fileName 目标文件名     * @throws IOException 如果文件移动失败     */    public static void moveFile(String sourcePath, String targetDirectory, String fileName) throws IOException {        Path source = Paths.get(sourcePath);        Path targetDir = Paths.get(targetDirectory);        if (!Files.exists(targetDir)) {            Files.createDirectories(targetDir); // 如果目标目录不存在则创建        }        Path target = targetDir.resolve(fileName); // 目标文件路径        Files.move(source, target, StandardCopyOption.REPLACE_EXISTING); // 移动文件，如果目标存在则替换        System.out.println("文件 '" + source.getFileName() + "' 已成功移动到 '" + targetDirectory + "'。");    }    public static void main(String[] args) {        Scanner scanner = new Scanner(System.in);        String sourcePdfPath = "C:Usersuser012DesktopEvalution.pdf"; // 源PDF文件路径        String targetDirectory = "C:Usersuser012DesktopSearch"; // 目标目录        String targetFileName = "Evalution2.pdf"; // 移动后的文件名        System.out.println("请输入您要搜索的词语 (输入'Exit'退出):");        while (scanner.hasNextLine()) {            String searchTerm = scanner.nextLine();            if (searchTerm.equalsIgnoreCase("Exit")) {                break;            }            try {                boolean found = searchWordInPdf(sourcePdfPath, searchTerm, true); // 忽略大小写搜索                if (found) {                    System.out.println("是的，'" + searchTerm + "' 在文件中找到了。");                    // 执行文件移动操作                    moveFile(sourcePdfPath, targetDirectory, targetFileName);                } else {                    System.out.println("没有，'" + searchTerm + "' 在文件中未找到。");                }            } catch (IOException e) {                System.err.println("处理PDF文件或执行文件操作时发生错误：" + e.getMessage());                e.printStackTrace();            }            System.out.println("请输入您要搜索的词语 (输入'Exit'退出):");        }        scanner.close();        System.out.println("程序结束。");    }}

6. 注意事项与最佳实践

资源管理： 始终使用 try-with-resources 语句来加载 PDDocument 对象，确保在操作完成后能够自动关闭文档并释放系统资源，避免内存泄漏。错误处理： 在文件操作和PDF处理过程中，IOException 是常见的异常。应捕获并妥善处理这些异常，例如打印错误信息、记录日志或向用户提供友好的提示。文件路径： 确保提供的文件路径是正确的，并且程序有权限访问这些文件和目录。在Windows系统中，路径分隔符可以使用 或 /。目标目录创建： 在移动或复制文件之前，最好检查目标目录是否存在，如果不存在则创建它，以避免 NoSuchFileException。性能考虑： 对于非常大的PDF文件，提取文本可能会消耗较多的内存和时间。如果只需要搜索PDF的特定页面或区域，可以优化 PDFTextStripper 的配置。多词搜索与正则表达式： 如果需要搜索多个关键词或更复杂的模式，可以考虑使用Java的正则表达式（java.util.regex.Pattern 和 Matcher 类）来增强搜索功能。并发处理： 如果需要同时处理大量PDF文件，可以考虑使用Java的并发API（如 ExecutorService）来并行处理，提高效率。

7. 总结

本教程详细阐述了如何使用Java和Apache PDFBox库来解决PDF文件中的文本搜索问题。通过引入专业的PDF处理库，我们能够准确地从PDF文件中提取文本内容，并在此基础上实现可靠的文本搜索逻辑。结合 java.nio.file.Files 进行文件操作，我们可以在搜索成功后，安全、高效地对PDF文件进行复制或移动。这种方法避免了直接将PDF作为普通文本文件处理所带来的问题，确保了文件内容的完整性和操作的正确性。掌握这些技术，将使您在Java项目中处理PDF文件时更加得心应手。

以上就是使用Java和Apache PDFBox实现PDF文本搜索与文件操作的详细内容，更多请关注创想鸟其它相关文章！