Java借助Spire.PDF实现PDF全页文本批量提取_Java

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);