JavaでPDFのイメージを抽出—PDFBox—

はじめに

JavaでPDFを操作するライブラリの中で，「PDFBox」に触れてみる
特長は

• PDFファイルからのテキストの抽出
• PDFファイルの結合
• PDFファイルの暗号・複合化
• 検索エンジン Lucene の組み込み
• FDFデータの埋め込み
• イメージをPDFに変換
• PDFからのイメージ取得

など

準備

Apache PDFBox - Download　からダウンロード
※今回は，「pdfbox-1.4.0.jar」

使ってみる

PDFファイルの読み込み

1	FileInputStream pdfStream = new FileInputStream(readFile);

2	PDFParser pdfParser = new PDFParser(pdfStream);

3	pdfParser.parse(); // 分析

4	PDDocument pdf = pdfParser.getPDDocument();

PDFファイルの書き込み

1	FileOutputStream stream = new FileOutputStream(writeFile);

2	COSWriter writer = new COSWriter(stream);

3	writer.write(pdf);

PDFからイメージを抽出

1	PDDocumentCatalog docCatalog = pdf.getDocumentCatalog();

2	PDAcroForm acroForm = docCatalog.getAcroForm();

3	PDField field = acroForm.getField(name); // フィールド取得

4	if (field != null) {

5	field.setValue(value); // フィールドに埋め込み

6

}

PDFファイルの読み込み

01	FileInputStream pdfStream = new FileInputStream(readFile);

02	PDFParser pdfParser = new PDFParser(pdfStream);

03	pdfParser.parse(); // 分析

04	PDDocument pdf = pdfParser.getPDDocument();

05	int imageCounter = 1;

06	List pages = pdf.getDocumentCatalog().getAllPages();

07	Iterator iter = pages.iterator();

08	while (iter.hasNext()) { // 全ページからイメージを抽出

09	PDPage page = (PDPage) iter.next();

10	PDResources resources = page.getResources();

11	Map images = resources.getImages();

12	if (images != null) {

13	Iterator imageIter = images.keySet().iterator();

14	while (imageIter.hasNext()) {

15	String key = (String) imageIter.next();

16	PDXObjectImage image = (PDXObjectImage) images.get(key);

17	String name = key + "-" + imageCounter;

18	imageCounter++;

19	System.out.println("Writing image:" + name);

20	image.write2file(name); // ファイル出力

21

}

22

}

23

}

【参考】
◇JAVA開発メモ 

JavaでPDFの文章を抽出するには、「PDFBox」　というAPIを用いる．
・JavaでPDFから文章を抽出

【結果】
�全文英語PDF　⇒　抽出できた
　（文章が、途中からの抽出だった。コンソールのバッファサイズの問題かも←あるのか？）
�全文日本語PDF　⇒　抽出できた
�パワーポイントファイルをPDFファイル化したもの　⇒　抽出できた

まだ、よくわからないが、PDFファイルのサイズ　や　文字量の上限があるのかもしれない．

※インポートは「pdfbox-1.2.1-src.zip」ではバグが発生するので、「pdfbox-app-1.2.1.jar」を選択する．

01	import java.io.*;

02

03	import org.apache.pdfbox.pdfparser.PDFParser;

04	import org.apache.pdfbox.pdmodel.PDDocument;

05	import org.apache.pdfbox.util.PDFTextStripper;

06

07	public class ExtractPDF {

08	static String extractText(String filePath){

09	ByteArrayOutputStream out = null;

10

try {

11	FileInputStream pdfStream = new FileInputStream(filePath);

12	PDFParser parser = new PDFParser(pdfStream);

13	parser.parse();

14	PDDocument pdf = parser.getPDDocument();

15	PDFTextStripper stripper = new PDFTextStripper();

16	out = new ByteArrayOutputStream();

17	stripper.writeText(pdf, new BufferedWriter(newOutputStreamWriter(out)));

18	} catch (FileNotFoundException e) {

19	e.printStackTrace();

20	} catch (IOException e) {

21	e.printStackTrace();

22

}

23	return out.toString();

24

}

25	public static void main(String[] args){

26	String pdfFile = "〇〇.pdf";

27	String data=null;

28	data = extractText(pdfFile);

29	System.out.println(data);

30

}

31

}