Java使用PDFBox提取PDF文本并统计关键词出现的次数_Java

1. 基本知识

apache pdfbox 是一个开源的 java pdf 操作库，支持：

读取 pdf 文件内容（包括文字、图片、元数据）
创建和修改 pdf 文档
提取文本内容用于搜索、分析等操作

maven相关的依赖：

<dependency>
    <groupid>org.apache.pdfbox</groupid>
    <artifactid>pdfbox</artifactid>
    <version>2.0.29</version>
</dependency>

需下载在进行统计：

import org.apache.pdfbox.pdmodel.pddocument;
import org.apache.pdfbox.text.pdftextstripper;

import java.io.file;
import java.io.ioexception;

public class pdfwordcounter {

    public static void main(string[] args) {
        string pdfpath = "sample.pdf";  // 替换为你的 pdf 文件路径
        string keyword = "java";        // 要统计的词语

        try {
            // 加载 pdf 文档
            pddocument document = pddocument.load(new file(pdfpath));

            // 使用 pdftextstripper 提取文本
            pdftextstripper stripper = new pdftextstripper();
            string text = stripper.gettext(document);
            document.close(); // 记得关闭文档资源

            // 转小写处理，方便忽略大小写
            string lowertext = text.tolowercase();
            string lowerkeyword = keyword.tolowercase();

            // 调用词频统计函数
            int count = countoccurrences(lowertext, lowerkeyword);

            system.out.println("词语 \"" + keyword + "\" 出现次数: " + count);
        } catch (ioexception e) {
            e.printstacktrace();
        }
    }

    // 使用 indexof 遍历匹配词语出现次数
    private static int countoccurrences(string text, string word) {
        int count = 0;
        int index = 0;
        while ((index = text.indexof(word, index)) != -1) {
            count++;
            index += word.length();
        }
        return count;
    }
}

上述的demo详细分析下核心知识：

pddocument.load(file)
用于加载 pdf 文件到内存中
pdfbox 使用 pddocument 表示整个 pdf 对象，使用完后必须调用 close() 释放资源
pdftextstripper
pdfbox 中用于提取文字的核心类，会尽可能“以阅读顺序”提取文本，适用于纯文字 pdf 文件。对于图像型扫描件则无效（需 ocr）
大小写不敏感统计
实际应用中搜索关键词通常需要忽略大小写，因此我们先统一将文本和关键词转换为小写
indexof 实现词频统计
这是最基础也最直观的统计方法，效率较高，但不够精确
如果需要更精确（只统计完整单词），可以使用正则：

pattern pattern = pattern.compile("\\b" + pattern.quote(word) + "\\b", pattern.case_insensitive);
matcher matcher = pattern.matcher(text);
int count = 0;
while (matcher.find()) {
    count++;
}

2. 在线url

2.1 英文

此处的demo需要注意一个点：

注意点	说明
pdf 文件是否公开访问	不能访问受密码或登录保护的 pdf
文件大小	不建议下载和分析过大文件，可能导致内存问题
中文 pdf	若是扫描图片形式的中文 pdf，则 pdfbox 无法直接提取文本（需 ocr）
编码问题	若中文显示为乱码，可能是 pdf 没有内嵌字体

思路：

通过 url.openstream() 获取在线 pdf 的输入流
使用 pdfbox 的 pddocument.load(inputstream) 读取 pdf
用 pdftextstripper 提取文本
用字符串方法或正则统计关键词频率

import org.apache.pdfbox.pdmodel.pddocument;
import org.apache.pdfbox.text.pdftextstripper;

import java.io.inputstream;
import java.net.url;
import java.util.regex.matcher;
import java.util.regex.pattern;

public class onlinepdfkeywordcounter {

    public static void main(string[] args) {
        string pdfurl = "https://www.example.com/sample.pdf"; // 你的在线 pdf 链接
        string keyword = "java";  // 需要统计的关键词

        try (inputstream inputstream = new url(pdfurl).openstream();
             pddocument document = pddocument.load(inputstream)) {

            pdftextstripper stripper = new pdftextstripper();
            string text = stripper.gettext(document);

            // 使用正则匹配单词边界（忽略大小写）
            pattern pattern = pattern.compile("\\b" + pattern.quote(keyword) + "\\b", pattern.case_insensitive);
            matcher matcher = pattern.matcher(text);

            int count = 0;
            while (matcher.find()) {
                count++;
            }

            system.out.println("词语 \"" + keyword + "\" 出现在在线 pdf 中的次数为: " + count);

        } catch (exception e) {
            system.err.println("处理 pdf 时出错: " + e.getmessage());
            e.printstacktrace();
        }
    }
}

2.2 混合

方法	适用场景	是否支持中文
`indexof`	中英文都适用	✅
`pattern + \\b`	仅限英文单词匹配	❌ 中文不支持

正则表达式 \\b...\\b（表示“单词边界”）并不适用于中文

统计在想的url pdf的词频：

import org.apache.pdfbox.pdmodel.pddocument;
import org.apache.pdfbox.text.pdftextstripper;

import java.io.inputstream;
import java.net.url;

public class onlinepdfkeywordcounter {

    public static void main(string[] args) {
        string pdfurl = "https://www.xxxx.pdf";
        string keyword = "管理层";  // 要统计的中文关键词

        try (inputstream inputstream = new url(pdfurl).openstream();
             pddocument document = pddocument.load(inputstream)) {

            pdftextstripper stripper = new pdftextstripper();
            string text = stripper.gettext(document);

            // 直接用 indexof 不区分大小写（对于中文没必要转小写）
            int count = countoccurrences(text, keyword);
            system.out.println("词语 \"" + keyword + "\" 出现次数为: " + count);

        } catch (exception e) {
            system.err.println("处理 pdf 时出错: " + e.getmessage());
            e.printstacktrace();
        }
    }

    // 简单统计子串出现次数（适用于中文）
    private static int countoccurrences(string text, string keyword) {
        int count = 0;
        int index = 0;
        while ((index = text.indexof(keyword, index)) != -1) {
            count++;
            index += keyword.length();
        }
        return count;
    }
}

截图如下：