Java PDF转图片、提取文本

需求：最近使用Java要做一个PDF上传，自动生成封面缩略图

调研结果

• 1 icepdf => Java实现 => 有乱码问题
• 2 pdfbox => Java实现 => 有乱码问题
• 3 xpdf => C++实现，需要使用Java调用该库的可执行文件 => 无乱码问题

我测试了第1和第3中方案

icepdf使用

这个库的问题在于在window系统上测试没问题，把项目部署到Linux服务器上会出现部分PDF文件生成图片乱码问题，有人说是Linux服务器缺少字体，我试了安装字体的方案也没解决，有解决的朋友可以告诉我

添加依赖

       
        
            org.icepdf.os
            icepdf-core
            6.2.2
        

编写工具类

import java.awt.image.BufferedImage;
import java.io.File;
import java.io.FileOutputStream;
import java.io.IOException;
import java.io.InputStream;
import java.util.Iterator;
import javax.imageio.IIOImage;
import javax.imageio.ImageIO;
import javax.imageio.ImageWriter;
import javax.imageio.stream.ImageOutputStream;

import org.icepdf.core.pobjects.Document;
import org.icepdf.core.pobjects.Page;
import org.icepdf.core.util.GraphicsRenderingHints;
import org.springframework.util.StringUtils;

/**
 * @author lism
 */
public class PdfUtils {
    /**
     * 生成一本书的缩略图
     *
     * @param inputFile  需要生成缩略图的书籍的完整路径
     * @param outputFile 生成缩略图的放置路径
     */
    public static void generateBookImage(String inputFile, InputStream inputStream, String outputFile) {
        Document document = null;

        try {
            float rotation = 0f;
            //缩略图显示倍数，1表示不缩放，0.5表示缩小到50%
            float zoom = 1f;

            document = new Document();
            if (!StringUtils.isEmpty(inputFile)) {

                document.setFile(inputFile);
            } else if (null != inputStream) {
                document.setInputStream(inputStream, null);
            }
            // maxPages = document.getPageTree().getNumberOfPages();

            BufferedImage image = (BufferedImage) document.getPageImage(0, GraphicsRenderingHints.SCREEN,
                    Page.BOUNDARY_CROPBOX, rotation, zoom);

            Iterator iter = ImageIO.getImageWritersBySuffix("jpg");
            ImageWriter writer = (ImageWriter) iter.next();

            FileOutputStream out = new FileOutputStream(new File(outputFile));
            ImageOutputStream outImage = ImageIO.createImageOutputStream(out);

            writer.setOutput(outImage);
            writer.write(new IIOImage(image, null, null));

        } catch (Exception e) {
            e.printStackTrace();
        }
    }
    public static void main(String[] args) {
       
       PdfUtils.generateBookImage("D:\\pdf\\QuestMobile.pdf", null,"D:\\pdf\\captureImage.jpg");
    }

}

使用xpdf实现（最终解决方案）

下载 https://www.xpdfreader.com/download.html
下载xpdf和中文字体，分别解压缩。

xpdf.png

建立xpdf根目录 d:\tool\xpdf

（1）并将xpdf-tools-win-4.00\bin64目录下所有文件复制到 d:\xpdf 下。
（2）将xpdf-chinese-simplified 整个文件夹复制到 d:\xpdf 下。(该步骤及其以下步骤我在Linux服务器上未设置也没乱码，但是windows上没设置就有问题)
（3） 复制 xpdf-tools-win-4.00\doc 路径下的 sample-xpdfrc 文件到 d:\xpdf 下，并改名为 xpdfrc。
（4）修改文件 xpdfrc 第73行，将 textEncoding UTF-8 注释打开，指定编码为UTF-8，
（5）并在下面增加 textPageBreaks no 参数，意思是在pdf文档的两页间不加入分行符。
（6）在此文件最后增加以下内容，声明中文字体文件

#----- begin Chinese Simplified support package (2011-sep-02)
cidToUnicode Adobe-GB1 D:/tool/xpdf/xpdf-chinese-simplified/Adobe-GB1.cidToUnicode
unicodeMap ISO-2022-CN D:/tool/xpdf/xpdf-chinese-simplified/ISO-2022-CN.unicodeMap
unicodeMap EUC-CN D:/tool/xpdf/xpdf-chinese-simplified/EUC-CN.unicodeMap
unicodeMap GBK D:/tool/xpdf/xpdf-chinese-simplified/GBK.unicodeMap
cMapDir Adobe-GB1 D:/tool/xpdf/xpdf-chinese-simplified/CMap
toUnicodeDir D:/tool/xpdf/xpdf-chinese-simplified/CMap
#displayCIDFontTT Adobe-GB1 D:/xpdf/xpdf-chinese-simplified/CMap/gkai00mp.ttf 
#fontFileCC Adobe-GB1 /usr/..../gkai00mp.ttf
#----- end Chinese Simplified support package

在命令行中使用

D:\tool\xpdf\pdftopng.exe  -f 1 -l 1 D:\test.pdf D:\testpng

-f 从第一页，-l最后一页
具体可以使用D:\tool\xpdf\pdftopng.exe --help查看命令

当然xpdf还提供了提取文本的工具等

D:\tool\xpdf
λ ls
pdfdetach.exe*  pdfimages.exe*  pdftohtml.exe*  pdftoppm.exe*  pdftotext.exe*            xpdfrc
pdffonts.exe*   pdfinfo.exe*    pdftopng.exe*   pdftops.exe*   xpdf-chinese-simplified/

Java 方式调用demo

public static void main(String[] args) {
        try {
            String cmd = "d:\\tool\\xpdf\\pdftopng.exe  -f 1 -l 1 D:\\test.pdf D:\\testpng ";
            Runtime.getRuntime().exec(cmd);
        } catch (IOException e) {
            e.printStackTrace();
        }
    }