PDFBox是一个开源的对pdf文件进行操作的库。 PDFBox-0.7.3.jar加入classpath。同时FontBox1.0.jar加入classpath，否则报错

import java.io.FileInputStream  

import java.io.FileNotFoundException  

import java.io.IOException  

  

import org.pdfbox.pdfparser.PDFParser  

import org.pdfbox.pdmodel.PDDocument  

import org.pdfbox.util.PDFTextStripper  

  

public class PdfReader {  

    /** 

     * simply reader all the text from a pdf file.  

     * You have to deal with the format of the output text by yourself. 

     * 2008-2-25 

     * @param pdfFilePath file path 

     * @return all text in the pdf file 

     */  

    public static String getTextFromPDF(String pdfFilePath)   

    {  

        String result = null  

        FileInputStream is = null  

        PDDocument document = null  

        try {  

            is = new FileInputStream(pdfFilePath)  

            PDFParser parser = new PDFParser(is)  

            parser.parse()  

            document = parser.getPDDocument()  

            PDFTextStripper stripper = new PDFTextStripper()  

            result = stripper.getText(document)  

        } catch (FileNotFoundException e) {  

            // TODO Auto-generated catch block  

            e.printStackTrace()  

        } catch (IOException e) {  

            // TODO Auto-generated catch block  

            e.printStackTrace()  

        } finally {  

            if (is != null) {  

                try {  

                    is.close()  

                } catch (IOException e) {  

                    // TODO Auto-generated catch block  

                    e.printStackTrace()  

                }  

            }  

            if (document != null) {  

                try {  

                    document.close()  

                } catch (IOException e) {  

                    // TODO Auto-generated catch block  

                    e.printStackTrace()  

                }  

            }  

        }  

        return result  

    }  

    public  static void main(String[] args)  

    {  

        String str=PdfReader.getTextFromPDF("C:\\Read.pdf")  

        System.out.println(str)  

      

    }  

}

代码2：

import java.io.File  

import java.io.FileOutputStream  

import java.io.OutputStreamWriter  

import java.io.Writer  

import java.net.MalformedURLException  

import java.net.URL  

import org.pdfbox.pdmodel.PDDocument  

import org.pdfbox.util.PDFTextStripper  

public class PDFReader {  

 public void readFdf(String file) throws Exception {  

   

  boolean sort = false  

   

  String pdfFile = file  

  String textFile = null  

 

  String encoding = "UTF-8"  

  

  int startPage = 1  

  

  int endPage = Integer.MAX_VALUE  

   

  Writer output = null  

   

  PDDocument document = null  

  try {  

   try {  

    // 首先当作一个URL来装载文件，如果得到异常再从本地文件系统//去装载文件  

    URL url = new URL(pdfFile)  

   //注意参数已不是以前版本中的URL.而是File。  

    document = PDDocument.load(pdfFile)  

    // 获取PDF的文件名  

    String fileName = url.getFile()  

    // 以原来PDF的名称来命名新产生的txt文件  

    if (fileName.length() > 4) {  

     File outputFile = new File(fileName.substring(0, fileName  

       .length() - 4)  

       + ".txt")  

     textFile = outputFile.getName()  

    }  

   } catch (MalformedURLException e) {  

    // 如果作为URL装载得到异常则从文件系统装载  

   //注意参数已不是以前版本中的URL.而是File。  

    document = PDDocument.load(pdfFile)  

    if (pdfFile.length() > 4) {  

     textFile = pdfFile.substring(0, pdfFile.length() - 4)  

       + ".txt"  

    }  

   }  

   

   output = new OutputStreamWriter(new FileOutputStream(textFile),  

     encoding)  

  

   PDFTextStripper stripper = null  

   stripper = new PDFTextStripper()  

   // 设置是否排序  

   stripper.setSortByPosition(sort)  

   // 设置起始页  

   stripper.setStartPage(startPage)  

   // 设置结束页  

   stripper.setEndPage(endPage)  

   // 调用PDFTextStripper的writeText提取并输出文本  

   stripper.writeText(document, output)  

  } finally {  

   if (output != null) {  

    // 关闭输出流  

    output.close()  

   }  

   if (document != null) {  

    // 关闭PDF Document  

    document.close()  

   }  

  }  

 }  

 /** 

  * @param args 

  */  

 public static void main(String[] args) {  

  // TODO Auto-generated method stub  

     PDFReader pdfReader = new PDFReader()  

  try {  

   // 取得E盘下的SpringGuide.pdf的内容  

   pdfReader.readFdf("C:\\Read.pdf")  

  } catch (Exception e) {  

   e.printStackTrace()  

  }  

 }  

}

2、抽取支持中文的pdf文件－xpdf

xpdf是一个开源项目，我们可以调用他的本地方法来实现抽取中文pdf文件。

http://www.java-cn.com/technology/tech_downs/1880_004.zip

补丁包：

http://www.java-cn.com/technology/tech_downs/1880_005.zip

按照readme放好中文的patch，就可以开始写调用本地方法的java程序了。

下面是一个如何调用的例子：

import java.io.*  

/** 

* <p>Title: pdf extraction</p> 

* <p>Description: email:[email protected]</p> 

* <p>Copyright: Matrix Copyright (c) 2003</p> 

* <p>Company: Matrix.org.cn</p> 

* @author chris 

* @version 1.0,who use this example pls remain the declare 

*/  

  

  

public class PdfWin {  

public PdfWin() {  

}  

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

{  

String PATH_TO_XPDF="C:Program Filesxpdfpdftotext.exe"  

String filename="c:a.pdf"  

String[] cmd = new String[] { PATH_TO_XPDF, "-enc", "UTF-8", "-q", filename, "-"}  

Process p = Runtime.getRuntime().exec(cmd)  

BufferedInputStream bis = new BufferedInputStream(p.getInputStream())  

InputStreamReader reader = new InputStreamReader(bis, "UTF-8")  

StringWriter out = new StringWriter()  

char [] buf = new char[10000]  

int len  

while((len = reader.read(buf))>= 0) {  

//out.write(buf, 0, len)  

System.out.println("the length is"+len)  

}  

reader.close()  

String ts=new String(buf)  

System.out.println("the str is"+ts)  

}  

}

WordExtractor的用法错了，你用下面的方法试试： ...... File file = new File(doc)FileInputStream fileInputStream = getFileInputStream(file)WordExtractor wordExtractor = new WordExtractor(fileInputStream)String text = wordExtractor.getText() ......

---