java提取pdf文字首选apache pdfbox（适用于文字型pdf），扫描版需结合tesseract ocr；itext适合复杂格式，商业方案如aspose.pdf功能强但需授权。
Java 读取 PDF 文件的文字内容，核心是借助第三方 PDF 解析库，因为 JDK 原生不支持 PDF 解析。最常用、稳定且开源的是 Apache PDFBox，它能较好处理标准 PDF（含文字层），对扫描版（图片型）PDF 则无法提取文字——需要 OCR 配合。
使用 Apache PDFBox 提取文字（适用于可复制文本的 PDF）
PDFBox 是纯 Java 实现，轻量、活跃、文档齐全。只需添加依赖并调用 PDFTextStripper 即可。
- 添加 Maven 依赖（以 PDFBox 2.0+ 为例）：
org.apache.pdfbox
pdfbox
2.0.29 - 基础代码示例：
PDDocument doc = PDDocument.load(new File("example.pdf"));
PDFTextStripper stripper = new PDFTextStripper();
String text = stripper.getText(doc);
System.out.println(text);
doc.close();
- 注意点：
• 若 PDF 含加密，需先解密（doc.isEncrypted()判断，用StandardDecryptionMaterial等处理密码）；
• 多页提取时，可用stripper.setStartPage()和stripper.setEndPage()控制范围；
• 中文乱码？确保 PDF 内嵌字体支持中文，或在PDFTextStripper初始化后调用setSortByPosition(true)并确认系统字体配置（一般不影响显示，只影响提取逻辑）。
处理扫描版 PDF（图片型）需 OCR
如果 PDF 实质是扫描件（每页为图像），PDFBox 会返回空字符串。此时必须引入 OCR 引擎，常见组合是：PDFBox + Tesseract OCR。
- 流程简述：
• 用 PDFBox 将 PDF 每页导出为 PNG/JPG；
• 调用 Tesseract（通过tess4j封装库）识别图像中的文字；
• 合并各页识别结果。 - 关键依赖（Maven）：
net.sourceforge.tess4j
tess4j
5.4.0 - 提醒：
• 需提前安装 Tesseract 语言包（如chi_sim.traineddata支持简体中文）；
• 图像质量直接影响 OCR 准确率，建议导出分辨率 ≥300 DPI；
• 性能开销较大，不适合大批量实时处理。
其他可选库对比
除 PDFBox 外，还有几个常见选择，适用场景略有不同：
-
iText：侧重 PDF 生成与修改，文字提取能力较弱（v7+ 的
pdfSweep或kernel模块支持有限提取，但不如 PDFBox 直观）； - Apache POI：仅支持 Office 文档（.docx/.xlsx），不支持 PDF；
- PDFClown：轻量替代品，API 较底层，社区支持较少，新手不易上手；
- 商业方案（如 Aspose.PDF）：功能全面、中文支持好、稳定性高，但需授权费用。
小结：怎么选
日常开发推荐从 PDFBox 入手：免费、开源、够用。先用它测试目标 PDF 是否能正常提取文字——能提就是文字型 PDF，不能提再判断是否为扫描件，进而决定是否引入 OCR。不要一上来就堆 OCR，多数业务 PDF（如报表、合同电子版）都是文字型，PDFBox 足够胜任。
Java免费学习笔记：立即使用
解锁 Java 大师之旅：从入门到精通的终极指南
