Java 解析pdf文档内容实战案例

举报
跟着飞哥学编程 发表于 2023/03/24 11:15:09 2023/03/24
【摘要】 ​一、应用场景1.首先我个人认为一切的技术都是为了服务实际的业务场景，所以说业务场景很重要，我一般写文章也都是先说明我的业务场景，这样大家也应该会比较容易理解，能知道我们为什么要解析这个pdf文档内容。2.项目上的实际案例是用来解析财务报表（资产负债表，利润表，所得税，增值税报表）的。但是那些报表，因为涉及隐私保密问题，所以我就用的个人银行流水给大家做一个详细的讲解过程。3.咱么既然要解析P...

​

一、应用场景

1.首先我个人认为一切的技术都是为了服务实际的业务场景，所以说业务场景很重要，我一般写文章也都是先说明我的业务场景，这样大家也应该会比较容易理解，能知道我们为什么要解析这个pdf文档内容。

2.项目上的实际案例是用来解析财务报表（资产负债表，利润表，所得税，增值税报表）的。但是那些报表，因为涉及隐私保密问题，所以我就用的个人银行流水给大家做一个详细的讲解过程。

3.咱么既然要解析PDF文档内容，肯定是想把它解析成格式化数据（JSON）格式的，对吧，这样才能方便我们对数据的一个使用。

二、直接上代码

具体基本每一行，我都有详细的注释说明。

1.先看看我要解析的源文件程序嗑学家_薪资流水.pdf

​编辑

上面这个文件是相对比较规整格式的文件，实际情况应该会有许多报表格式不一样，解析出来的有换行之类的，需要特殊处理。

2.maven的pom文件引入依赖包如下：

<!-- pdfbox start -->  
		<!-- https://mvnrepository.com/artifact/org.apache.pdfbox/pdfbox -->
		<dependency>
		    <groupId>org.apache.pdfbox</groupId>
		    <artifactId>pdfbox</artifactId>
		    <version>2.0.19</version>
		</dependency>
		<dependency>
            <groupId>org.apache.pdfbox</groupId>
            <artifactId>pdfbox-tools</artifactId>
            <version>2.0.19</version>
        </dependency>
		<dependency>
		    <groupId>org.apache.pdfbox</groupId>
		    <artifactId>fontbox</artifactId>
		    <version>2.0.19</version>
		</dependency>
		<dependency>  
         	<groupId>org.apache.pdfbox</groupId> 
         	<artifactId>jempbox</artifactId> 
         	<version>1.8.16</version> 
      	</dependency> 
      	<dependency>
         	<groupId>org.apache.pdfbox</groupId> 
         	<artifactId>xmpbox</artifactId> 
         	<version>2.0.19</version> 
      	</dependency> 
      	<dependency> 
         	<groupId>org.apache.pdfbox</groupId> 
         	<artifactId>preflight</artifactId> 
         	<version>2.0.19</version> 
      	</dependency>
      	<!-- pdfbox end -->

注：我这里还有对PDF文档的其他一些解析，包括html字符串生成PDF文档的实际应用需求，所以我这儿引入的包比较多一点儿，你可以根据自己需求，按需引入依赖包。 

三、具体实现代码

3.1下面这个文件是一个完整的Java 类 

注：此处我引入了alibaba的JSON解析包，如果您复制过去报错的，可以自行引入需要的包。 

package com.xxx.util.pdf;

import java.io.File;
import java.io.FileNotFoundException;
import java.io.FileOutputStream;
import java.io.IOException;
import java.io.OutputStreamWriter;
import java.io.UnsupportedEncodingException;
import java.io.Writer;

import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.text.PDFTextStripper;

import com.alibaba.fastjson.JSON;
import com.alibaba.fastjson.JSONArray;
import com.alibaba.fastjson.JSONObject;

public class ParsePdfContent {
	
	public static void main(String[] args) {
		ParsePdfContent.tqPdfDataToTxt("E:\\www\\temp\\程序嗑学家_薪资流水.pdf", "E:\\www\\temp\\cxkxj_xzls.txt");
	}
	/**
	 * 测试解析pdf的文档内容，并将解析内容输出到Txt文档中
	 * 正式使用时，无需将解析后的内容写入文件，测试时，写入文件是为了方便查看解析后的原始内容
	 * @param sourcePdfPath 要解析的pdf源文件
	 * @param outFilePath 解析后的文本内容输出路径
	 */
	public static void tqPdfDataToTxt(String sourcePdfPath,String outFilePath) {
		File file = new File(sourcePdfPath);
		if(file.exists()) {
			try {
				PDDocument doc = PDDocument.load(file);
				//正式使用时，此处注释开始--------------
				FileOutputStream fos = new FileOutputStream(outFilePath);
				Writer writer = new OutputStreamWriter(fos, "UTF-8");
				//正式使用时，此处注释结束--------------
				PDFTextStripper stripper = new PDFTextStripper();
				stripper.setSortByPosition(true);// 排序
				stripper.setEndPage(1);//要解析的结束页数，此处我只解析第一页
				stripper.setWordSeparator("##");//单元格内容的分隔符号
				stripper.setLineSeparator("\n");//行与行之间的分隔符号
				String text = stripper.getText(doc);
				String[] rows = text.split("\n");
				//======从这里开始需要根据自己的实际解析内容做不同的处理start=======
				JSONArray list=new JSONArray();//存储解析数据的集合
				/**
				 * startFlag
				 * 解析内容开始的标志（大白话就是记录从哪一行开始是咱们的有用数据）
				 * 这里需要先解析一遍并输出到文件，才能具体知道
				 */
				String startFlag="Balance##Transaction";
				String endFlag="1/35";//结束标志
				int k=0;//开始获取数据标志
				boolean bb_End=false;//报表获取数据结束标志
				/**
				 * keys
				 * 标识字段的key
				 * date:记账日期
				 * currency:货币
				 * amount:交易金额
				 * balance:联机余额
				 * transactionType:交易摘要
				 * counterParty:对手信息
				 */
				String[] keys= {"date","currency","amount","balance","transactionType","counterParty"};
				for (int r=0;r<rows.length;r++) {
					/**
					 * 这里根据自己的解析内容做不同的业务处理
					 * 我这里总共6列数据
					 */
					JSONObject rowJson=new JSONObject();
					rows[r]=rows[r].replaceAll(" ", "").replaceAll("\r", "");//此处我把每一行的空格和\r去掉
					String[] split = rows[r].split("##");
					if(k==1&&!bb_End) {//增值税表
						if(rows[r].startsWith("本期应补（退）税额##22")||rows[r].startsWith("期末未缴查补税额##38")) {
							bb_End=true;
						}
						//这里我判断是否完全匹配，是防止有换行的，这个需要根据实际情况做不同处理
						if(split.length==keys.length) {//完全匹配列数(6)
							for (int i=0;i<keys.length;i++) {
								rowJson.put(keys[i], split[i]);
							}
							list.add(rowJson);
							continue;
						}
						if(bb_End) {
							break;//结束解析
						}
					}else {
						if(rows[r].startsWith(startFlag)) {
							k++;
							continue;
						}
					}
				}
				//======从这里开始需要根据自己的实际解析内容做不同的处理end=======
				//正式使用时，此处注释开始--------------
				stripper.writeText(doc, writer);//写入本地文件(测试用)
				writer.close();
				//正式使用时，此处注释结束--------------
				doc.close();
				System.out.println("解析后格式化的JSON数据如下：");
				System.out.println(JSON.toJSONString(list));
			} catch (FileNotFoundException e) {
				// TODO Auto-generated catch block
				e.printStackTrace();
			} catch (UnsupportedEncodingException e) {
				// TODO Auto-generated catch block
				e.printStackTrace();
			} catch (IOException e) {
				// TODO Auto-generated catch block
				e.printStackTrace();
			}
			System.out.println("======================解析完成============================");
		}else {
			System.err.println("找不到要解析的pdf文件");
		}
	}
}

3.2上面这个事例代码里面，我不仅把pdf内容输出到了文件内，还做了一个格式化输出的解析。

3.3 输出的文件cxkxj_xzls.txt 内容如下：

招商银行交易流水
Transaction Statement of China Merchants Bank
2021-03-14 -- 2022-03-14
户  名：赵艳飞##账号：6214********0098
Name##Account No
账户类型：ALL/全币种##开 户 行：北京分行西二旗支行
Account Type##Sub Branch
申请时间：2022-03-16 15:42:11##验 证 码：3RCEE96T
Date##Verification Code
记账日期##货币##交易金额##联机余额##交易摘要##对手信息
Transaction
Date##Currency
Amount
Balance##Transaction Type##Counter Party
2021-03-14##CNY##100.00##381.19##网联收款##财付通支付科技有限公司
2021-03-14##CNY##-231.00##150.19##快捷支付##阳坊胜利涮羊肉（风雅园店）
2021-03-15##CNY##-18.00##132.19##快捷支付##西北楼牛肉面
2021-03-16##CNY##-8.00##124.19##快捷支付##微信面对面收款
2021-03-16##CNY##-19.00##105.19##快捷支付##微信转账
2021-03-16##CNY##-11.00##94.19##快捷支付##面馆
2021-03-17##CNY##-22.68##71.51##快捷支付##网银在线（北京）科技有限公司
2021-03-17##CNY##-6.50##65.01##快捷支付##微信转账
2021-03-17##CNY##-11.00##54.01##快捷支付##微信面对面收款
2021-03-17##CNY##-3.00##51.01##银联快捷支付##微信转账
2021-03-17##CNY##-0.83##50.18##零售汇出汇款##深圳市腾讯计算机系统有限公司
2021-03-17##CNY##0.83##51.01##零售汇入汇款##深圳市腾讯计算机系统有限公司
2021-03-17##CNY##0.01##51.02##网联收款##财付通支付科技有限公司
2021-03-17##CNY##-12.00##39.02##银联快捷支付##微信面对面收款
2021-03-18##CNY##200.50##239.52##报销款##北京天邦众和信息科技有限公司
2021-03-18##CNY##-14.00##225.52##快捷支付##微信面对面收款
2021-03-18##CNY##-12.00##213.52##快捷支付##微信面对面收款
2021-03-19##CNY##-6.50##207.02##快捷支付##微信转账
1/35

​编辑

 3.4格式化输出内容就是JSON数组

​编辑

 四、结语：

小编是一名爱生活，爱代码，爱交朋友的热血青年，希望我们能够共同进步，共同成长。

感觉有帮助的帮小编点个免费的赞吧，如有问题，可以私信或者评论区留言，小编知无不言，言无不尽。

喜欢小编的可以微信搜素：民谣嗑学家

关注我个人公众号，小编平时，除了工作码代码，还是一名业余吉他爱好者，有喜欢的朋友可以一起交流交流。

​

【版权声明】本文为华为云社区用户原创内容，转载时必须标注文章的来源（华为云社区）、文章链接、文章作者等基本信息， 否则作者和本社区有权追究责任。如果您发现本社区中有涉嫌抄袭的内容，欢迎发送邮件进行举报，并提供相关证据，一经查实，本社区将立刻删除涉嫌侵权内容，举报邮箱： cloudbbs@huaweicloud.com
Java
  • 点赞
  • 收藏
  • 关注作者

评论（0）

0/1000
抱歉，系统识别当前为高风险访问，暂不支持该操作

全部回复

上滑加载中

设置昵称

在此一键设置昵称，即可参与社区互动！

*长度不超过10个汉字或20个英文字符，设置后3个月内不可修改。

*长度不超过10个汉字或20个英文字符，设置后3个月内不可修改。

确认 取消

加入云驻计划，成为创作者

  • 华为云周边好礼
  • 免费体验产品
  • 特殊身份标识
  • 线下官方门票
  • 内部专家零距离
  • 与10000+优质创作者共同成长
立即加入