Java 解析 PDF：抽取文本、识别表格、导出图片、读取元数据等

原创

用户12416476

发布于 2026-07-10 18:41:13

120

在 Java 项目中处理 PDF 文档，最常见也最头疼的需求莫过于解析——把里面的文字、表格、图片和元数据提取出来，供后续搜索、分析或迁移使用。不同于生成或编辑 PDF，解析更考验库对文档结构的还原能力和对异常布局的容错性。

最近我在做一个文档自动化处理系统，把 PDF 解析拆成了几个独立的步骤：加载验证、文本抽取、表格识别、图片导出、元数据读取。每个步骤都单独封装，这样既能复用，也方便在复杂文档时定位问题。下面是我的实践记录。

1. 环境配置

首先需要引入 PDF 解析库。我使用的是 Spire.PDF for Java，它提供了专门用于解析的 API（PdfTextExtractor、PdfTableExtractor、PdfImageHelper 等）。如果你用 Maven，在 pom.xml 中添加：

<repositories>
    <repository>
        <id>com.e-iceblue</id>
        <name>e-iceblue</name>
        <url>https://repo.e-iceblue.cn/repository/maven-public/</url>
    </repository>
</repositories>
<dependencies>
    <dependency>
        <groupId>e-iceblue</groupId>
        <artifactId>spire.pdf</artifactId>
        <version>12.7.0</version>
    </dependency>
</dependencies>

非 Maven 用户可直接从官网下载 JAR 包并添加到类路径。

2. 加载与验证 PDF 文档

在进行任何解析之前，先加载并验证文档是个好习惯。这一步可以提前发现损坏或不支持的 PDF，避免后续解析引发连锁异常。

import com.spire.pdf.PdfDocument;

public class LoadPDF {
    public static void main(String[] args) {
        PdfDocument pdf = new PdfDocument();
        pdf.loadFromFile("sample.pdf");

        int pageCount = pdf.getPages().getCount();
        System.out.println("总页数: " + pageCount);
    }
}

这里我们加载了一个 PDF，并获取总页数。如果能成功执行，说明：

文件符合 PDF 格式规范；
文档结构可解析（无致命损坏）；
页面树（Page Tree）可访问。

在实际生产环境中，我会把这一步作为前置校验，失败时直接拒绝处理，避免浪费后续计算资源。

3. 解析 PDF 中的文本

文本提取是最常见的解析操作。与简单读取字符串不同，PDF 中的文本是由字形（glyph）位置拼合而成的，并非自然段落。因此提取时最好使用可配置的提取器，例如 PdfTextExtractor 配合 PdfTextExtractOptions，以获得更干净的输出。

import com.spire.pdf.PdfDocument;
import com.spire.pdf.texts.PdfTextExtractOptions;
import com.spire.pdf.texts.PdfTextExtractor;

public class ExtractPdfText {
    public static void main(String[] args) {
        PdfDocument pdf = new PdfDocument();
        pdf.loadFromFile("sample.pdf");

        StringBuilder extractedText = new StringBuilder();

        PdfTextExtractOptions options = new PdfTextExtractOptions();
        // 开启简单提取模式，输出的文本更连续、易读
        options.setSimpleExtraction(true);

        for (int i = 0; i < pdf.getPages().getCount(); i++) {
            PdfTextExtractor extractor = new PdfTextExtractor(pdf.getPages().get(i));
            String pageText = extractor.extract(options);
            extractedText.append(pageText).append("\n");
        }

        System.out.println(extractedText.toString());
    }
}

关键点：

PdfTextExtractor 以页面为单位，便于定位问题页面；
PdfTextExtractOptions 的 setSimpleExtraction(true) 可简化布局重建，让文本更连贯；
按页处理也方便大文档的内存控制。

如果遇到扫描件或图片型 PDF，文本提取会返回空，此时需要 OCR 前置处理，这是任何纯解析库的共同局限。

4. 解析 PDF 中的表格

表格解析比纯文本复杂，因为它需要从视觉对齐中推断出行列结构。我经常用它处理财务报表、对账单等。

import com.spire.pdf.PdfDocument;
import com.spire.pdf.utilities.PdfTable;
import com.spire.pdf.utilities.PdfTableExtractor;

public class ExtractPdfTable {
    public static void main(String[] args) {
        PdfDocument pdf = new PdfDocument();
        pdf.loadFromFile("sample1.pdf");

        PdfTableExtractor extractor = new PdfTableExtractor(pdf);
        PdfTable[] tables = extractor.extractTable(0); // 解析第一页

        if (tables != null) {
            for (PdfTable table : tables) {
                int rowCount = table.getRowCount();
                int colCount = table.getColumnCount();
                System.out.println("行数: " + rowCount + ", 列数: " + colCount);

                StringBuilder sb = new StringBuilder();
                for (int i = 0; i < rowCount; i++) {
                    for (int j = 0; j < colCount; j++) {
                        sb.append(table.getText(i, j));
                        if (j < colCount - 1) sb.append("\t");
                    }
                    if (i < rowCount - 1) sb.append("\n");
                }
                System.out.println(sb.toString());
            }
        }
    }
}

PdfTableExtractor 会分析页面上的文本对齐方式，自动识别表格区域。解析结果是 PdfTable 对象，通过行列索引获取每个单元格的内容。

注意：

表格边界依赖视觉布局，复杂或嵌套表格可能识别不准；
表头行不会自动标记，需要业务逻辑额外处理；
解析后的数据建议导出为 CSV 或存入数据库。

5. 解析 PDF 中的图片

提取图片常用于存档或复核文档中的图像资源。与文本不同，图片是嵌入在页面资源中的独立对象，不受布局影响。

import com.spire.pdf.PdfDocument;
import com.spire.pdf.utilities.PdfImageHelper;
import com.spire.pdf.utilities.PdfImageInfo;

import javax.imageio.ImageIO;
import java.awt.image.BufferedImage;
import java.io.File;

public class ExtractPdfImages {
    public static void main(String[] args) throws Exception {
        PdfDocument pdf = new PdfDocument();
        pdf.loadFromFile("sample.pdf");

        PdfImageHelper helper = new PdfImageHelper();

        for (int i = 0; i < pdf.getPages().getCount(); i++) {
            PdfImageInfo[] infos = helper.getImagesInfo(pdf.getPages().get(i));
            if (infos != null) {
                for (int j = 0; j < infos.length; j++) {
                    BufferedImage img = infos[j].getImage();
                    File out = new File("images/page_" + i + "_img_" + j + ".png");
                    ImageIO.write(img, "PNG", out);
                }
            }
        }
    }
}

PdfImageHelper.getImagesInfo() 返回页面所有图片的信息，每个 PdfImageInfo 包含图片数据（BufferedImage），可直接保存为 PNG、JPEG 等格式。

实用提醒：

有些 PDF 中的图片可能只是装饰性背景，提取后需人工筛选；
大图片会占用较多内存，建议按需处理或限制尺寸；
提取后的图片格式和色彩空间可能与原始有差异，但一般够用。

6. 解析 PDF 元数据

元数据（标题、作者、主题、创建/修改日期等）是文档的“身份证”，解析它不需要遍历页面，开销极小，适合作为预处理步骤。

import com.spire.pdf.PdfDocument;

public class ParsePdfMetadata {
    public static void main(String[] args) {
        PdfDocument pdf = new PdfDocument();
        pdf.loadFromFile("sample.pdf");

        var info = pdf.getDocumentInformation();
        System.out.println("标题: " + info.getTitle());
        System.out.println("作者: " + info.getAuthor());
        System.out.println("主题: " + info.getSubject());
        System.out.println("关键词: " + info.getKeywords());
        System.out.println("创建者: " + info.getCreator());
        System.out.println("生成器: " + info.getProducer());
        System.out.println("创建日期: " + info.getCreationDate());
        System.out.println("修改日期: " + info.getModificationDate());
    }
}

元数据可能为空，使用时最好判空。另外，这些信息是文档静态属性，不会随内容变化而自动更新，除非重新保存。

7. 注意事项

在实际项目中，我通常把上述解析能力组合成一条管道：先读元数据做路由，再按页提取文本、表格和图片，各自落库。但需要注意：

扫描件/图片型 PDF：任何文本或表格解析都无效，需要先 OCR（例如 Tesseract）；
布局复杂性：表格解析依赖视觉对齐，对于无边框、错行或合并单元格较多的表格，准确率会下降；
字体编码：部分特殊字体可能导致文本提取乱码，此时可尝试调整 PdfTextExtractOptions 或更换字体映射；
资源清理：解析完记得 pdf.close() 释放文件句柄，尤其是批量处理时。

另外，如果文档体积较大，建议按需加载或使用流式处理（参考官方示例），避免内存溢出。

结语

以上是我在 Java 中解析 PDF 文档的常用方法：加载验证、文本提取、表格识别、图片导出、元数据读取，每个环节独立封装，便于组合和扩展。得益于专门的 PDF 解析库，这些操作可以用简洁的代码实现，无需自己解析底层对象。

实际使用时，请根据文档类型（文本型 vs 扫描型）和业务需求选择合适的解析策略，并对异常情况做好容错。希望这些代码片段能成为你日常开发中的实用参考。如有更多问题，欢迎交流。

原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。

如有侵权，请联系 cloudcommunity@tencent.com 删除。

java

原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。

如有侵权，请联系 cloudcommunity@tencent.com 删除。

java

#解析 PDF

#读取 PDF

登录后参与评论

0 条评论

热度