Java 中怎么读取 PDF 文件的纯文本段落内容-java教程-PHP中文网

java读取pdf纯文本段落需用pdfbox等解析库而非直接读二进制流；pdfbox支持中文、可提取带换行文本，但段落识别需基于坐标自定义后处理，其他方案如tika、itext各有适用场景与限制。

java 中怎么读取 pdf 文件的纯文本段落内容

Java 读取 PDF 的纯文本段落内容，核心是使用支持文本提取的 PDF 解析库，而非直接读取二进制流——PDF 是结构化文档，不是纯文本文件，直接用 FileReader 或 InputStream 只能得到乱码或不可读字节。

推荐用 Apache PDFBox 提取段落文本

PDFBox 是 Apache 官方维护、免费开源、对中文支持较好（需注意字体嵌入）、适合服务端批量处理的主流库。它能还原基本的阅读顺序和换行逻辑，接近“段落”语义。

添加 Maven 依赖（以 PDFBox 2.0.29+ 为例）：

  org.apache.pdfbox
  pdfbox
  2.0.29

基础文本提取（保留换行，但不自动合并视觉上连续的段落）：

PDDocument doc = PDDocument.load(new File("example.pdf"));
PDFTextStripper stripper = new PDFTextStripper();
// 设置按页面顺序提取，保留换行符
stripper.setSortByPosition(true);
String text = stripper.getText(doc);
doc.close();

⚠️ 注意：默认提取的是“线性文本流”，PDF 中的段落可能被拆成多行甚至跨页。若需更准确的段落划分，需后处理。

Java Development Manual

Java开发手册规约集合，基于阿里巴巴Java开发手册（嵩山版）。涵盖7大维度：编程规约、异常日志、单元测试、安全规约、MySQL数据库、工程结构、设计规约。当用户需要：(1) 编写或审查Java代码 (2) 检查命名/代码规范 (3) 处理异常和日志 (4) 编写单元测试 (5) 安全编码 (6) 数据库设...

下载

按视觉块/段落切分（需自定义逻辑）

PDFBox 本身不提供“段落识别”功能（如区分标题、正文、空行分隔），需结合坐标信息做二次分析：

使用 PDFTextStripper 的子类，重写 processTextPosition() 获取每个字符的 TextPosition（含 x/y 坐标、字号、字体）
按 y 坐标聚类：y 差值小于阈值（如 5px）视为同一行；连续行间 y 差值较大（如 > 行高 × 1.5）可视为段落分隔
合并同一“行块”内的文本，去除首尾空白，跳过纯空行

示例关键思路（简化）：

class ParagraphStripper extends PDFTextStripper {
  private List lines = new ArrayList();
  private float lastY = -1;
  private StringBuilder currentLine = new StringBuilder();

  @Override
  protected void processTextPosition(TextPosition text) {
    float y = text.getYDirAdj();
    if (Math.abs(y - lastY) > 8 && currentLine.length() > 0) {
      lines.add(currentLine.toString().trim());
      currentLine = new StringBuilder();
    }
    currentLine.append(text.getUnicode());
    lastY = y;
  }
}

其他选项与注意事项

Apache Tika：封装了 PDFBox、Tesseract 等，适合通用文档解析，但段落控制粒度较粗，调试困难
iText 7（with pdfOCR 或 layout module）：商业友好（AGPL 限制需注意），pdfLayout 模块支持更精细的区块检测，适合复杂排版
OCR 场景：扫描版 PDF 需先用 Tesseract 或 Adobe OCR，PDFBox 无法识别图片中的文字
中文字体问题：若 PDF 未嵌入中文字体或使用非标准编码，提取结果会出现方块或乱码，需检查 PDFont 加载状态或预处理 PDF

不复杂但容易忽略：纯文本提取永远受原始 PDF 质量制约——无文字层的扫描件、加密 PDF、加水印干扰、复杂表格嵌套，都会导致段落识别失败。建议先用 Acrobat 或在线工具验证 PDF 是否可选中文本。