使用 PDFBox 擷取 PDF 文字內容

Apache PDFBox 是 Java 處理 PDF 的開源函式庫，支援文字擷取、PDF 建立、表單填寫、列印等功能。本文示範使用 PDFTextStripper 從 PDF 檔案中擷取純文字內容。另一知名函式庫 iText 側重 PDF 建立與操作，兩者可互補。

必要依賴

<dependency>
    <groupId>org.apache.pdfbox</groupId>
    <artifactId>pdfbox</artifactId>
    <version>2.0.24</version> <!-- 或更新版本 -->
</dependency>

PDFBox 2.x 版本 API 與 1.x 差異較大，本文以 2.x 為主。子專案 FontBox 處理字體，JempBox 處理 XMP 中繼資料。

文字擷取完整範例

package pdf;

import java.io.File;
import java.io.IOException;
import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.text.PDFTextStripper;

public class StripPDFContent {

    /** 
     * 從 PDF 檔案擷取指定頁範圍的文字
     * @param file PDF 檔案
     * @return 擷取的文字內容
     */
    public static String getText(File file) throws IOException {
        // 參數設定
        boolean sortByPosition = false;  // false: 依內容流順序；true: 依座標排序
        int startPage = 1;               // 起始頁 (1-based)
        int endPage = 10;                // 結束頁
        
        try (PDDocument document = PDDocument.load(file)) {
            PDFTextStripper stripper = new PDFTextStripper();
            stripper.setSortByPosition(sortByPosition);
            stripper.setStartPage(startPage);
            stripper.setEndPage(endPage);
            return stripper.getText(document);
        } catch (IOException e) {
            System.err.println("PDF 解析失敗: " + e.getMessage());
            throw e;
        }
    }
    
    public static void main(String[] args) {
        File file = new File("/path/to/your/file.pdf");
        try {
            String content = getText(file);
            System.out.println(content);
        } catch (IOException e) {
            e.printStackTrace();
        }
    }
}

關鍵參數說明

進階用法

自訂文字擷取邏輯（繼承 PDFTextStripper）

public class CustomStripper extends PDFTextStripper {
    @Override
    protected void writeString(String text, List textPositions) throws IOException {
        // 可依字型、大小、顏色、位置過濾或轉換
        if (textPositions.get(0).getFontSize() > 14) {
            super.writeString("[標題]" + text + "[/標題]");
        } else {
            super.writeString(text);
        }
    }
}

處理加密 PDF

try (PDDocument doc = PDDocument.load(file, "password")) {
    // 解密後正常擷取
}

常見問題與解決

• 中文亂碼：確認 PDF 嵌入字體，或系統安裝對應字體；PDFBox 2.x 內建備援字體機制
• 擷取順序錯亂：嘗試 setSortByPosition(true) 或自訂 CustomStripper
• 大檔案 OOM：PDFBox 2.x 支援非記憶體模式，或分頁處理
• 掃描版 PDF：無文字層，需搭配 OCR (Tesseract) 處理

PDFBox vs iText 選型建議

1. 上一篇文章： Apache POI 實戰：讀取 Word、PPT、Excel 檔案完整範例
2. 下一篇文章： JDBC SQL 基礎語法速查：CRUD 核心指令完整指南

Java 程式設計入門

Java 並發編程核心理論：共享性、互斥性、原子性、可見性、有序性與 JMM 實戰

前言 並發編程的本質是**在共享數據、多執行緒、有限資源**

IBM i 系列伺服器架構深度解析與 Java 經典速查手冊雙書推薦

在企業級運算領域，IBM 的中型機系統歷經了從 AS/400

讓 Eclipse 外掛擁有二維繪圖能力（上）：離屏圖像技術詳解

背景動機 多數 Java 開發者公認 Swing/AWT 僅

Spring + Hibernate + jQuery 實作電子相簿：完整原始碼架構與功能模組解析

專案技術棧 後端：Spring 2.5 + Hiberna