-
Notifications
You must be signed in to change notification settings - Fork 0
/
Test2.java
96 lines (91 loc) · 3.95 KB
/
Test2.java
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.text.PDFTextStripper;
import java.io.*;
import java.net.MalformedURLException;
import java.net.URL;
public class Test2 {
public static void main(String[] args) {
Test2 pdfReader = new Test2();
try {
// 取得pdf的内容
// pdfReader.readPdf("F:/NEU_FILE/UNFINISHED/practical_training/Nsfocus/2021-6-21week5/tagging/corpus0-32/pdf/rpt_APT37.pdf");
pdfReader.readPdf("D:/python/pdf2txt/UEBA.pdf");
// pdfReader.readPdf("F:/NEU_FILE/UNFINISHED/practical_training/Nsfocus/2021-6-21week5/tagging/corpus0-32/pdf/Skygofree_ Following in the footsteps of HackingTeam - Securelist.pdf");
// pdfReader.readPdf("F:/NEU_FILE/UNFINISHED/practical_training/Nsfocus/2021-6-21week5/tagging/corpus0-32/pdf/unc1151-ghostwriter-update-report.pdf");
System.out.println("finish");
} catch (Exception e) {
e.printStackTrace();
}
}
public void readPdf(String file) throws Exception {
// 是否排序
boolean sort = false;
// pdf文件名
String pdfFile = file;
// 输入文本文件名称
String textFile = null;
// 编码方式
String encoding = "UTF-8";
// 开始提取页数
int startPage = 1;
// 结束提取页数
int endPage = Integer.MAX_VALUE;
// 文件输入流,生成文本文件
Writer output = null;
// 内存中存储的PDF Document
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(new File(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(new File(pdfFile));
if (pdfFile.length() > 4) {
textFile = pdfFile.substring(0, pdfFile.length() - 4)+ ".txt";
}
}
// 文件输入流,写入文件倒textFile
File outputfile = new File(textFile);
if(!outputfile.exists()){
try {
outputfile.createNewFile();
} catch (IOException e) {
// TODO Auto-generated catch block
e.printStackTrace();
}
}
output = new OutputStreamWriter(new FileOutputStream(textFile),encoding);
// PDFTextStripper来提取文本
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();
}
}
}
}