Java中各种文件类型的操作.docVIP

7.1? 使用PDFBox处理PDF文档 PDF全称Portable Document Format，是Adobe公司开发的电子文件格式。这种文件格式与操作系统平台无关，可以在Windows、Unix或Mac OS等操作系统上通用。 PDF文件格式将文字、字型、格式、颜色及独立于设备和分辨率的图形图像等封装在一个文件中。如果要抽取其中的文本信息，需要根据它的文件格式来进行解析。幸好目前已经有不少工具能帮助我们做这些事情。 7.1.1? PDFBox的下载 最常见的一种PDF文本抽取工具就是PDFBox了，访问网址/projects/pdfbox/，进入如图7-1所示的下载界面。 图7-1? PDFBox的下载页面 读者可以在该网页下载其最新的版本。本书采用的是PDFBox-0.7.3版本。PDFBox是一个开源的Java PDF库，这个库允许你访问PDF文件的各项信息。在接下来的例子中，将演示如何使用PDFBox提供的API，从一个PDF文件中提取出文本信息。 7.1.2? 在Eclipse中配置 以下是在Eclipse中创建工程，并建立解析PDF文件的工具类的过程。 （1）在Eclipse的workspace中创建一个普通的Java工程：ch7。 （2）把下载的PDFBox-0.7.3.zip解压，解压后的目录结构如图7-2所示。 图7-2? 解压后的PDFBox包 （3）进入e