文件操作.docx
- 文档编号:20110016
- 上传时间:2023-04-25
- 格式:DOCX
- 页数:46
- 大小:867.63KB
文件操作.docx
《文件操作.docx》由会员分享,可在线阅读,更多相关《文件操作.docx(46页珍藏版)》请在冰豆网上搜索。
文件操作
2010-08-20
缩略显示
[置顶]用xpdf和pdfbox来处理中文PDF文档及其比较
文章分类:
Java编程
TestPdfToText.java我在以前的项目中使用的是pdfbox,在读取中文文档时可以读出大部分的文字,但是在数字、分页等地方还是不可避免的出现乱码。
于是我在网上搜索,看有没有什么解决方法,看到有说法:
“PDFBox看起来非常的方便,它的API功能强大。
甚至能和Lucene进行无缝的结合。
但是它有一个致命的弱点,就是它不支持中文。
要提取中文的文本,可以采用另一个非常出色的工具xpdf。
”
于是我决定自己比较一下这两种方法处理中文pdf文档时在时间性能、读取效果等各个方面的效果。
一、关于XPDF和PDFBOX
1.xpdf
xpdf只是一个软件,通过java采用命令行调用,并获取输出结果,如此来说使用简单,但是相当受限,如:
无法跨平台,无法处理特定格式(表格等),无法处理图片和其他附件。
这种调用必定限制了它的灵活性。
2.pdfbox
pdfbox(一个BSD许可下的源码开放项目)是一个为开发人员读取和创建PDF文档而准备的纯Java类库。
二、XPDF的配置
1.工具包下载
点这里 下载
我下载的是:
xpdf-3.02pl4-win32.zip
另外还需要一个语言包:
xpdf-chinese-simplified.tar.gz
2.工作路径设置
参考资料点这里
在本文中以c:
\xpdftest\xpdf作为xpdf的工作路径。
将xpdf-3.02p14-win32.zip解压到c:
\xpdftest\xpdf下。
将xpdf-chinese-simplified.tar.gz解压到c:
\xpdftest\xpdf\xpdf-chinese-simplified下。
解压后的目录结构如图1所示:
3.修改配置文件
为了启用中文简体语言包,必须将 xpdf-chinese-simplified 目录下的 sample-xpdfrc 文件进行如下配置,并将其另存为xpdfrc 文件 。
注意:
此文件为配置文件,而且名称必须是 xpdfrc 。
如果是别的名字,即使调用 pdftotext.exe 时,传入 ” -cfgxpdfrc2 ” 来告诉 xpdf 配置文件的名字,好像 pdftotext.exe 也并没有使用这个配置文件。
所以为了减少误解,请您将配置文件直接命名为xpdfrc 。
∙修改 sample-xpdfrc 文件之一
在文件后面 加上一段话 :
#-----beginChineseSimplifiedsupportpackage(2004-jul-27)
cidToUnicodeAdobe-GB1C:
/xpdftest/xpdf/xpdf-chinese-simplified/Adobe-GB1.cidToUnicode
unicodeMapISO-2022-CNC:
/xpdftest/xpdf/xpdf-chinese-simplified/ISO-2022-CN.unicodeMap
unicodeMapEUC-CNC:
/xpdftest/xpdf/xpdf-chinese-simplified/EUC-CN.unicodeMap
unicodeMapGBKC:
/xpdftest/xpdf/xpdf-chinese-simplified/GBK.unicodeMap
cMapDirAdobe-GB1C:
/xpdftest/xpdf/xpdf-chinese-simplified/CMap
toUnicodeDirC:
/xpdf/chinese-simplified/CMap
#displayCIDFontTTAdobe-GB1/usr/..../gkai00mp.ttf
#-----endChineseSimplifiedsupportpackage
注意:
路径要跟自己配置的一样。
∙修改 sample-xpdfrc 文件之二
另外,配置文件中原先没有加上一个“ textPageBreaks ”控制。
为了避免这个分页符号,我们需要在 sample-xpdfrc 文件 “ textoutputcontrol ”下面 加上一段话 :
#Ifsetto"yes",textextractionwillinsertpage
#breaks(formfeedcharacters)betweenpages.This
#defaultsto"yes".
textPageBreaksno
设置 textPageBreaks 为 no 的意思是:
在 PDF 文档的两页之间不加入分页符号。
之所以这样,是因为这个符号有时候会引起SAX 解析 XML 上的困难。
∙修改 sample-xpdfrc 文件之三
配置文件中原先把 textEncoding 注释了。
这样默认的字符集是 Latin1 。
我们必须打开它,并且就是指定 textEncoding 为UTF-8 ,而不是 GB2312 。
即修改这句话 :
textEncodingUTF-8
三、PDFBOX的配置
请点这里 查看PDFBOX的配置。
四、工程调用示范
在自己的常用工作环境下新建一个工程PdfTest,并在此工程下新建一个包pdfToText。
此包包括三个类:
TestPdfToText.java 包括Main函数,调用并测试xpdf和pdfbox对PDF文档的处理效果。
PdfboxToText.java 用pdfbox来处理PDF文档。
XpdfToText.java 用xpdf来处理PDF文档。
目录结构如图2所示:
在C盘根目录下有061231.pdf,在工程中相应设置路径进行测试,以下是源代码 :
TestPdfToText.java
packagepdfToText;
/**
*功能描述:
测试用XPDF和PDFBOX来读取中文PDF文件生成TXT文件的效果
*@authorEmily
*@Create2010-03-07
*/
publicclassTestPdfToText{
/**
*@paramargs
*/
publicstaticvoidmain(String[]args){
StringrootPath="c:
\\061231";
//pdf文件路径
Stringpdffile=rootPath+".pdf";
//用xpdf生成的txt文件路径
StringxpdfToTxtfile=rootPath+"_xpdf.txt";
//用pdfbox生成的txt文件路径
StringpdfboxToTxtfile=rootPath+"_pdfbox.txt";
//XPDF
try{
longbegin=System.currentTimeMillis();
XpdfToTextxpToTxt=newXpdfToText(pdffile);
xpToTxt.toTextFile(xpdfToTxtfile);
longend=System.currentTimeMillis();
System.out.println("xpdf\tcost:
\t"+(end-begin)+"ms");
}catch(Exceptione){
e.printStackTrace();
}
//PDFBOX
try{
longbegin=System.currentTimeMillis();
PdfboxToTextpbToTxt=newPdfboxToText(pdffile);
pbToTxt.toTextFile(pdfboxToTxtfile);
longend=System.currentTimeMillis();
System.out.println("pdfbox\tcost:
\t"+(end-begin)+"ms");
}catch(Exceptione){
e.printStackTrace();
}
}
}
PdfboxToText.java
packagepdfToText;
importjava.io.BufferedWriter;
importjava.io.File;
importjava.io.FileInputStream;
importjava.io.FileNotFoundException;
importjava.io.FileWriter;
importjava.io.IOException;
importorg.pdfbox.pdfparser.PDFParser;
importorg.pdfbox.pdmodel.PDDocument;
importorg.pdfbox.util.PDFTextStripper;
publicclassPdfboxToText{
privateStringfilePath;
publicPdfboxToText(StringfilePath){
this.filePath=filePath;
}
publicStringgetTextFromPdf(){
Stringresult=null;
FileInputStreamis=null;
PDDocumentdocument=null;
try{
is=newFileInputStream(filePath);
PDFParserparser=newPDFParser(is);
parser.parse();
document=parser.getPDDocument();
PDFTextStripperstripper=newPDFTextStripper();
result=stripper.getText(document);
}catch(FileNotFoundExceptione){
e.printStackTrace();
}catch(IOExceptione){
e.printStackTrace();
}finally{
if(is!
=null){
try{is.close();}catch(IOExceptione){e.printStackTrace();}
}
if(document!
=null){
try{document.close();}catch(IOExceptione){e.printStackTrace();}
}
}
returnresult;
}
publicvoidtoTextFile(StringfilePath){
StringpdfContent=getTextFromPdf();
try{
Filef=newFile(filePath);
if(!
f.exists()){
System.out.println("notexist");
f.createNewFile();
}
BufferedWriteroutput=newBufferedWriter(newFileWriter(f));
output.write(pdfContent);
output.close();
}catch(Exceptione){
e.printStackTrace();
}
}
}
XpdfToText.java
packagepdfToText;
importjava.io.File;
importjava.io.IOException;
publicclassXpdfToText{
//PDF文件名
privateFilepdffile;
//转换器的存放位置,默认在c:
\xpdftest\xpdf下面
privateStringCONVERTOR_STORED_PATH="c:
\\xpdftest\\xpdf\\";
//转换器的名称,默认为pdftotext
privateStringCONVERTOR_NAME="pdftotext";
//构造函数,参数为pdf文件的路径
publicXpdfToText(Stringpdffile)throwsIOException{
this.pdffile=newFile(pdffile);
}
//将pdf转为文本文档,参数为目标文件的路径
publicvoidtoTextFile(Stringtargetfile)throwsIOException{
toTextFile(targetfile,true);
}
//将pdf转为文本文档,参数1为目标文件的路径,
//参数2为true则表示使用PDF文件中的布局
publicvoidtoTextFile(Stringtargetfile,booleanisLayout)
throwsIOException{
String[]cmd=getCmd(newFile(targetfile),isLayout);
Runtime.getRuntime().exec(cmd);
}
//获取PDF转换器的路径
publicStringgetCONVERTOR_STORED_PATH(){
returnCONVERTOR_STORED_PATH;
}
//设置PDF转换器的路径
publicvoidsetCONVERTOR_STORED_PATH(Stringpath){
if(!
path.trim().endsWith("\\"))
path=path.trim()+"\\";
this.CONVERTOR_STORED_PATH=path;
}
//解析命令行参数
privateString[]getCmd(Filetargetfile,booleanisLayout){
//命令字符
Stringcommand=CONVERTOR_STORED_PATH+CONVERTOR_NAME;
//PDF文件的绝对路径
Stringsource_absolutePath=pdffile.getAbsolutePath();
//输出文本文件的绝对路径
Stringtarget_absolutePath=targetfile.getAbsolutePath();
//保持原来的layout
Stringlayout="-layout";
//设置编码方式
Stringencoding="-enc";
Stringcharacter="GBK";
//设置不打印任何消息和错误
Stringmistake="-q";
//页面之间不加入分页
Stringnopagebrk="-nopgbrk";
//如果isLayout为false,则设置不保持原来的layout
if(!
isLayout)
layout="";
returnnewString[]{command,layout,encoding,character,mistake,
nopagebrk,source_absolutePath,target_absolutePath};
}
}
五、测试结果和总结
1.txt文件大小
一个大小为74KB的PDF文档经处理为txt文档后,大小明显减小。
经xpdf处理后生成了10KB的txt文件。
经pdfbox处理后生成了12KB的txt文件。
2.时间性能
从运行结果来看,xpdf处理的速度明显大大快于pdfbox的处理速度,几乎是1/10。
如图3所示。
3.读取效果
在设置了保持原PDF文档的布局的情况下,xpdf读取的效果如图4所示
若不保持原PDF文的的布局,xpdf读取的效果如图5所示
经pdfbox读取的效果如图6和图7所示。
4.分析总结
从以上调用结果可以发现,在时间性能和空间性能上,xpdf都明显优于pdfbox 。
在最关键的读取效果上,pdfbox会自动在某些读取文字中加入一些格式,比如回车、空格等,造成了更不好的效果。
至于在某些PDF文档的格式会读出乱码的情况上,两种方法读出的乱码都是比较一致的,这应该是由于这两个方法的缺陷造成的。
综上所示,如果不要求很高的移植性的话,采用xpdf应该是比较好的方法 。
(完)
create@2010-03-08
∙查看图片附件
∙17:
58
∙浏览(242)
∙评论 (0)
∙分类:
Java编程
∙收藏
2010-08-20
缩略显示
使用ictclas4j过程中产生的内存不足问题及其解决方法
文章分类:
Java编程
在读取中文pdf文档的内容并对用ictclas4j对其进行分词过程中,在读取pdf这一步上面没有问题(即没有报错,可以正确运行,但是会出现一些乱码,这可能是由于pdfbox包的不够完善,可以通过用xpdf来读取进行一定的改善。
)
但是到了分词这一步上面有时候会报错:
Exceptioninthread"main"java.lang.OutOfMemoryError:
Javaheapspace
atjava.util.Arrays.copyOf(UnknownSource)
atjava.lang.AbstractStringBuilder.expandCapacity(UnknownSource)
atjava.lang.AbstractStringBuilder.append(UnknownSource)
atjava.lang.StringBuilder.append(UnknownSource)
atorg.ictclas4j.segment.SegTag.split(SegTag.java:
125)
atemily.function.TextExtraction.classifyWord(TextExtraction.java:
43)
atemily.function.TextExtraction.getExtractText(TextExtraction.java:
26)
atemily.function.BuildXMLDocument.builder(BuildXMLDocument.java:
60)
atemily.function.Main.main(Main.java:
16)
解决:
在run->openrundialog->(x)=argument
新设置参数 -Xmx800m
(完)
create@2010-01-28
∙查看图片附件
∙17:
42
∙浏览(31)
∙评论 (0)
∙分类:
Java编程
∙收藏
2010-08-20
缩略显示
JAVA的JDK环境变量设置
文章分类:
Java编程
1.安装jdk1.6.0:
执行j2sdk安装程序,自定义路径,我们的安装路径为:
C:
\ProgramFiles\Java\jdk1.6.0
2. 配置jdk1.6.0
我的电脑->属性->高级->环境变量->系统变量中添加以下环境变量:
JAVA_HOME=C:
\ProgramFiles\Java\jdk1.6.0
CLASSPATH=.;C:
\ProgramFiles\Java\jdk1.6.0\lib\tools.jar;
C:
\ProgramFiles\Java\jdk1.6.0\lib\dt.jar;C:
\ProgramFiles\Java\jdk1.6.0\bin;
PATH=C:
\ProgramFiles\Java\jdk1.6.0\bin;
或是:
JAVA_HOME=C:
\ProgramFiles\Java\jdk1.6.0
CLASSPATH=.;%JAVA_HOME%\lib\tools.jar;
%JAVA_HOME%\lib\dt.jar;%JAVA_HOME%\bin;
PATH=%JAVA_HOME%\bin;
3.编写测试程序HelloWorld.java
写一个简单的java程序来测试JDK是否已安装成功:
publicclassHelloWorld
{
publicstaticvoidmain(Stringargs[])
{
System.out.println("HelloWorld");
}
}
将程序保存为文件名为HelloWorld.java的文件。
注意系统文件夹选项中应确定“隐藏已知文件类型的扩展名”不勾选(我的电脑->工具->查看)
4. 测试是否安装成功
打开命令提示符窗口,进入到 HelloWorld.java 所在目录,键入下面的命令:
javachello.java
javahello
1.
此时若打印出来 HelloWorld 则安装成功。
若没有打印出这句话,仔细检查以上配置是否正确。
(完)
create@2009-12-01
∙查看图片附件
∙17:
22
∙浏览(53)
∙评论 (0)
∙分类:
Java编程
∙收藏
2010-08-20
缩略显示
在Eclipse下将工程打包成jar格式
文章分类:
Java编程
一、情况说明
前段时间自己写了一个工程DocumentToXML,功能是把文件进行一系列信息的提取(文本内容,文件创建时间等),然后生成对应的XML文档。
由于需要提交给组里面的其他人使用,因此要求便于移植。
之前没有经历过要跟别人合作的,都是自己写了一个工程能够运行就好了,因此还颇费了一番功夫,看看怎么生成jar给别人调用。
二、查阅资料
这里有一些对jar的说明情况。
1. JAR文件揭密
2. Eclipse项目的打包发行-good
3. myEclipse下项目打包
三、打包过程
在Eclipse里面提供了用于打包项目的 “导出”向导,但是在之前,先需要创建一个文件:
manif
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 文件 操作