本文为作者原创文章，转载请注明出处。
场景
手头上有一个PDF，里面的文字是繁体字，现在需要使用这些文字，但是必须是简体字。
解决方案
首先抽取PDF中文字
使用Apache的Pdfbox包。这个包是进行PDF处理的很好的解决方案，目前这个包还在不断更新中。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
97
98
99import org.apache.pdfbox.pdfparser.PDFParser;
import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.util.PDFTextStripper;
import java.io.*;
public class PdfboxUtil {
/**
* @param args
*/
public static void main(String[] args) {
String pdfPath = "/Users/xxx/Downloads/xxx.pdf";
String txtfilePath = "/Users/xxx/Downloads/xxx.txt";
PdfboxUtil pdfutil = new PdfboxUtil();
try {
String content = pdfutil.getTextFromPdf(pdfPath);
pdfutil.toTextFile(content, txtfilePath);
System.out.println("Finished !");
} catch (Exception e) {
e.printStackTrace();
}
}
/**
* 读取PDF文件的文字内容
* @param pdfPath
* @throws Exception
*/
public String getTextFromPdf(String pdfPath) throws Exception {
// 是否排序
boolean sort = false;
// 开始提取页数
int startPage = 1;
// 结束提取页数
int endPage = Integer.MAX_VALUE;
String content = null;
InputStream input = null;
File pdfFile = new File(pdfPath);
PDDocument document = null;
try {
input = new FileInputStream(pdfFile);
// 加载 pdf 文档
PDFParser parser = new PDFParser(input);
parser.parse();
document = parser.getPDDocument();
// 获取内容信息
PDFTextStripper pts = new PDFTextStripper();
pts.setSortByPosition(sort);
endPage = document.getNumberOfPages();
System.out.println("Total Page: " + endPage);
StringBuilder sb = new StringBuilder();
for(int i = 1; i<= endPage; i++){
pts.setStartPage(i);
pts.setEndPage(i);
try {
String page = pts.getText(document);
sb.append("\n\n###############################第"+ i +"页###############################\n\n");
sb.append(page);
} catch (Exception e) {
throw e;
}
}
content = sb.toString();
} catch (Exception e) {
throw e;
} finally {
if (null != input)
input.close();
if (null != document)
document.close();
}
return content;
}
/**
* 把PDF文件内容写入到txt文件中
* @param pdfContent
* @param filePath
*/
public void toTextFile(String pdfContent,String filePath) {
try {
File f = new File(filePath);
if (!f.exists()) {
f.createNewFile();
}
System.out.println("Write PDF Content to txt file ...");
BufferedWriter output = new BufferedWriter(new FileWriter(f));
output.write(pdfContent);
output.close();
} catch (Exception e) {
e.printStackTrace();
}
}
}注意这段代码使用的1.8.10版本的pdfbox，使用2.x以上版本有兼容问题
贴出maven依赖，省得大家找了。1
2
3
4
5<dependency>
<groupId>org.apache.pdfbox</groupId>
<artifactId>pdfbox</artifactId>
<version>1.8.10</version>
</dependency>繁体字转简体
OpenCC是一个开源python包，可以实现简繁体字互转。1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16# -*- encoding=utf-8 -*-
from opencc import OpenCC
openCC = OpenCC('t2s')
input_file = open("xxx.txt", "r")
output_file = open("xxx_sim.txt", "w")
for l in input_file.readlines():
# l = l.strip()
print(l)
converted = openCC.convert(l)
output_file.write(converted)
print(converted)
input_file.close()
output_file.close()
工具化
上面的方案采用了java+python两种编程语言，代码也写死了。如果经常有这个需要，可以考虑做一个工具，使用统一的语言。比如，将pdf抽取文字的工作也用python实现（可以用pdfminer包）。