如何使用 Java 实现 PDF 文本提取

原创

用户12495000

发布于 2026-09-02 10:29:09

在日常Java项目开发中，PDF文档处理是非常常见的业务场景，例如电子发票解析、合同文本提取、PDF内容归档、文档智能检索等。相较于Word、TXT等可直接读取的文档格式，PDF文件版式固定、结构封闭，原生Java API无法直接解析提取文本，需要借助专业的第三方PDF处理组件。

目前主流的Java PDF处理框架各有优劣，而Spire.PDF for Java凭借轻量化、零依赖、无需安装Adobe插件、解析精度高、代码简洁的优势，成为企业级PDF文本提取的优选方案。该组件支持所有标准PDF格式，能够精准提取整页、指定页面的文本内容，完美适配各类PDF文本解析业务场景。

本文将手把手教大家通过Maven引入Spire.PDF依赖，从零实现 PDF全页文本批量提取 ，并将提取后的文本自动保存为TXT文件，全程可直接复制运行，快速落地业务需求。

工具简介：Spire.PDF for Java

Spire.PDF for Java是一款专业的、独立的Java PDF操作组件，无需依赖Adobe Acrobat、Reader等第三方软件，可独立完成PDF的创建、读取、编辑、转换、文本/图像提取等全场景操作。核心优势如下：

轻量高效 ：组件体积小，运行速度快，低内存占用，适配Web、桌面、后端接口各类Java项目；
解析精准 ：支持保留PDF原始文本排版顺序，有效避免文本乱序、漏提、乱码问题；
功能全面 ：支持整文档提取、单页提取、指定区域文本提取，适配多样化业务需求；
零环境依赖 ：纯Java开发，跨平台兼容Windows、Linux、Mac系统，适配JDK8及以上版本。

Maven环境配置

Spire.PDF未收录于Maven中央仓库，需要手动配置官方专属仓库地址，再引入对应依赖即可。下面是完整的Maven配置，直接粘贴至项目pom.xml文件中即可生效。

配置专属仓库

在pom.xml的repositories标签中添加Spire官方仓库，用于拉取组件依赖包：

<repositories>
    <repository>
        <id>com.e-iceblue</id>
        <name>e-iceblue</name>
        <url>https://repo.e-iceblue.com/nexus/content/groups/public/</url>
    </repository>
</repositories>

引入核心依赖

配置仓库后，引入Spire.PDF核心依赖，本文采用稳定版11.7.5，兼容性极强：

<dependencies>
    <dependency>
        <groupId>e-iceblue</groupId>
        <artifactId>spire.pdf</artifactId>
        <version>11.7.5</version>
    </dependency>
</dependencies>

配置完成后，刷新Maven项目，等待依赖自动下载导入即可。

完整代码实现：PDF全量文本提取

本次实战实现核心功能：加载本地PDF文件，逐页提取全部文本内容，拼接完整文档文本，最终输出保存为本地TXT文件，同时完善IO异常捕获与资源释放，保证代码健壮性。

核心用到Spire.PDF四大核心类：

PdfDocument ：PDF文档核心操作类，用于加载、关闭PDF文件；
PdfPageBase ：PDF页面对象，获取文档单页信息；
PdfTextExtractor ：文本提取器，核心解析工具类；
PdfTextExtractOptions ：文本提取配置类，可自定义提取规则。

完整可运行代码

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

import java.io.BufferedWriter;
import java.io.FileWriter;
import java.io.IOException;

/**
 * PDF文本提取工具类
 * 功能：逐页提取PDF全部文本并保存为TXT文件
 */
public class ExtractAllTextFromPDF {
    public static void main(String[] args){
        // 1. 初始化PDF文档对象，加载本地PDF文件（替换为自己的PDF路径）
        PdfDocument doc = new PdfDocument();
        try {
            doc.loadFromFile("sample.pdf");

            // 2. 定义字符串拼接器，存储全部页面文本
            StringBuilder fullText = new StringBuilder();

            // 3. 遍历PDF所有页面，逐页提取文本
            int pageCount = doc.getPages().getCount();
            for (int i = 0; i < pageCount; i++) {
                // 获取当前页面
                PdfPageBase page = doc.getPages().get(i);
                // 创建当前页面的文本提取器
                PdfTextExtractor extractor = new PdfTextExtractor(page);
                // 按默认规则提取页面文本
                String pageText = extractor.extract(new PdfTextExtractOptions());
                // 拼接文本，页面之间添加空行分隔，提升可读性
                fullText.append(pageText).append("\n\n\n\n");
            }

            // 4. 将提取的全部文本写入TXT文件
            try (BufferedWriter writer = new BufferedWriter(new FileWriter("output.txt"))) {
                writer.write(fullText.toString());
                System.out.println("PDF文本提取完成！已保存至output.txt");
            } catch (IOException e) {
                System.err.println("文本文件写入失败：" + e.getMessage());
                e.printStackTrace();
            }
        } catch (Exception e) {
            System.err.println("PDF文件加载或文本提取失败：" + e.getMessage());
            e.printStackTrace();
        } finally {
            // 5. 关闭文档，释放文件资源
            if (doc != null) {
                doc.close();
            }
        }
    }
}

代码分步解析

1. 文档加载初始化

通过PdfDocument创建文档实例，调用loadFromFile()方法加载本地PDF文件，支持绝对路径、相对路径两种方式，适配不同项目部署场景。

2. 逐页遍历提取文本

通过获取文档总页数，循环遍历每一页；为每页单独创建PdfTextExtractor提取器，精准解析单页文本，避免多页文本错乱问题。通过StringBuilder拼接所有页面文本，相比字符串直接拼接，大幅提升大数据量PDF的解析效率。

3. 文本持久化存储

使用BufferedWriter高效字符写入流，将拼接完成的全文本写入TXT文件，同时通过try-with-resources语法自动关闭IO流，避免资源泄漏。

4. 资源释放与异常处理

通过finally代码块强制关闭PDF文档，释放文件占用资源；同时捕获文件加载、文本提取、IO写入全流程异常，打印详细错误信息，方便问题排查。

项目运行与效果验证

运行前置准备

将项目根目录下的测试PDF文件命名为sample.pdf，或修改代码中的文件路径为实际PDF路径；
确保Maven依赖加载成功，无包冲突、依赖缺失问题。

运行结果

运行main方法后，控制台输出PDF文本提取完成！已保存至output.txt即代表执行成功。此时项目根目录会自动生成output.txt文件，文件内包含PDF所有页面的完整文本，页面之间通过空行分隔，排版清晰、无乱码、无文本遗漏。

常见问题与优化建议

文本排版错乱优化

默认提取规则可能存在少量排版偏移，可开启简洁提取模式，优化文本排版效果。修改提取代码如下：

PdfTextExtractOptions options = new PdfTextExtractOptions();
options.setSimpleExtraction(true); // 开启简洁提取，优化排版
String pageText = extractor.extract(options);

适配扫描件PDF说明

本文方案适用于 可检索的原生PDF （电子生成PDF）。如果是图片扫描版PDF，单纯文本提取无法获取内容，需结合Spire.OCR组件进行图像文字识别提取。

性能优化建议

处理超大体积PDF时，建议采用分页提取、异步写入的方式，避免一次性加载全量内容导致内存溢出；同时严格执行文档关闭逻辑，防止文件句柄堆积。

总结

本文基于Spire.PDF for Java实现了极简、稳定的PDF全量文本提取功能，通过配置官方Maven仓库、引入核心依赖、逐页解析文本、持久化保存文件，快速完成PDF文本解析业务开发。

该方案代码简洁、稳定性高、无环境依赖，可直接落地于PDF文档归档、智能解析、内容检索、数据脱敏等各类Java业务场景。除文本提取外，Spire.PDF还支持PDF图片提取、表格解析、文档拆分合并、格式转换等功能，可满足绝大多数PDF处理开发需求。

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-6

pdf