Wie man PDF-Text mit GroupDocs.Viewer für Java extrahiert

Das Extrahieren von Text aus PDFs ist eine Kernanforderung für viele datengetriebene Anwendungen. In diesem Tutorial führen wir Sie durch wie man PDF-Inhalte effizient mit der GroupDocs Viewer Java Bibliothek. Egal, ob Sie Dokumente indexieren, Analysen durchführen oder Legacy-Archive migrieren müssen, die nachstehenden Schritte bieten Ihnen eine vollständige, produktionsbereite Lösung.

Text aus PDF mit GroupDocs.Viewer für Java extrahieren

Schnelle Antworten

  • Welche Bibliothek ist am besten für die PDF-Text-Extraktion? GroupDocs.Viewer Java provides a robust pdf text extraction api.
  • Kann ich Text aus mehrseitigen PDFs extrahieren? Ja – der Viewer iteriert automatisch durch jede Seite und Zeile.
  • Benötige ich eine Lizenz für die Produktion? Eine kommerzielle Lizenz ist erforderlich; ein kostenloser Testzeitraum ist für die Evaluierung verfügbar.
  • Welche Java-Version wird unterstützt? JDK 1.8+ (die neuesten LTS-Versionen funktionieren ebenfalls).
  • Ist Maven der einzige Weg, die Abhängigkeit hinzuzufügen? Maven wird empfohlen, aber Sie können auch Gradle oder die manuelle JAR-Einbindung verwenden.

Was ist PDF-Text-Extraktion und warum GroupDocs Viewer verwenden?

Die pdf text extraction api liest die Textebene eines PDFs, ohne den visuellen Inhalt zu rendern. Dieser Ansatz ist weitaus schneller als rasterbasierte OCR und bewahrt die ursprüngliche Dokumentenstruktur. GroupDocs Viewer Java fügt zusätzlichen Wert hinzu, indem es komplexe Layouts, verschlüsselte Dateien und mehrseitige Dokumente out‑of‑the‑box verarbeitet.

Voraussetzungen

  • Java Development Kit (JDK) 1.8+ installiert.
  • Maven für das Abhängigkeitsmanagement (oder Gradle, falls Sie es bevorzugen).
  • Zugang zu einer GroupDocs Viewer for Java Lizenz (Testversion oder gekauft).
  • Grundkenntnisse in Java – Sie werden ein paar try‑with‑resources-Blöcke schreiben.

Einrichtung von GroupDocs.Viewer für Java

Add the GroupDocs repository and dependency to your pom.xml:

<repositories>
   <repository>
      <id>repository.groupdocs.com</id>
      <name>GroupDocs Repository</name>
      <url>https://releases.groupdocs.com/viewer/java/</url>
   </repository>
</repositories>
<dependencies>
   <dependency>
      <groupId>com.groupdocs</groupId>
      <artifactId>groupdocs-viewer</artifactId>
      <version>25.2</version>
   </dependency>
</dependencies>

Lizenzbeschaffung

  • Kostenlose Testversion – ideal, um die pdf text extraction api zu erkunden.
  • Temporäre Lizenz – erweiterte Tests ohne Kreditkarte.
  • Vollkauf – erforderlich für kommerzielle Einsätze.

Implementierungsleitfaden

Im Folgenden finden Sie eine prägnante, schrittweise Anleitung, wie Sie PDF-Text mit GroupDocs Viewer Java extrahieren.

1. Viewer-Objekt initialisieren

try (Viewer viewer = new Viewer("YOUR_DOCUMENT_DIRECTORY/SAMPLE_PDF")) {
    // Initialization complete, proceed to next steps.
}

Die Viewer-Instanz verweist auf das PDF, das Sie verarbeiten möchten. Die Verwendung eines try‑with‑resources-Blocks stellt sicher, dass native Ressourcen automatisch freigegeben werden.

2. ViewInfoOptions für die Textextraktion konfigurieren

ViewInfoOptions viewInfoOptions = ViewInfoOptions.forHtmlView();
viewInfoOptions.setExtractText(true);

Durch das Setzen von setExtractText(true) wird der pdf text extraction api mitgeteilt, rohen Text in die View-Informationen aufzunehmen.

3. Dokumentinformationen abrufen

PdfViewInfo viewInfo = (PdfViewInfo) viewer.getViewInfo(viewInfoOptions);

PdfViewInfo gibt Ihnen Zugriff auf jede Seite, Zeile und deren Textwert.

4. Durch Seiten und Zeilen iterieren (Mehrseitigen PDF-Text extrahieren)

for (Page page : viewInfo.getPages()) {
    for (Line line : page.getLines()) {
        System.out.println(line.getValue());
    }
}

Diese Schleife gibt jede Textzeile aus und behandelt extract multi page pdf-Szenarien automatisch. Sie können System.out.println durch Code ersetzen, der in eine Datei, Datenbank oder Suchindex schreibt.

Tipps zur Fehlerbehebung

  • Überprüfen Sie den Dateipfad erneut; ein falscher Pfad löst FileNotFoundException aus.
  • Stellen Sie sicher, dass setExtractText(true) aufgerufen wird; andernfalls werden nur visuelle Daten zurückgegeben.
  • Für verschlüsselte PDFs übergeben Sie das Passwort über die überladene Viewer-Konstruktor.

Praktische Anwendungsfälle

Die extract pdf text java-Funktionen von GroupDocs Viewer eröffnen viele reale Anwendungsfälle:

  1. Datenmigration – Legacy-PDF-Archive in durchsuchbare Datenbanken übertragen.
  2. Inhaltsanalyse – Extrahierten Text in NLP-Pipelines für Sentiment- oder Schlüsselwort-Extraktion einspeisen.
  3. Document Management Systems (DMS) – Dokumente automatisch indexieren für schnelle Abrufe.

Leistungsüberlegungen

Beim Arbeiten mit großen Dateien oder Batch-Jobs:

  • Speichermanagement – Seiten innerhalb des try-Blocks verarbeiten, damit der Garbage Collector den Speicher zeitnah freigibt.
  • Streaming – Bei extrem großen PDFs sollten Sie Seiten einzeln verarbeiten, anstatt das gesamte Dokument zu laden.
  • Threading – Extraktion über mehrere Dateien parallelisieren, aber pro Thread nur eine Viewer-Instanz behalten.

Häufige Probleme und Lösungen

ProblemLösung
OutOfMemoryError bei großen PDFsErhöhen Sie den JVM-Heap (-Xmx2g) und verarbeiten Sie Seiten sequenziell.
Kein Text bei gescannten PDFs zurückgegebenVerwenden Sie das OCR-Add‑on oder eine dedizierte OCR‑Bibliothek; GroupDocs Viewer extrahiert nur eingebetteten Text.
Lizenzfehler in der ProduktionStellen Sie sicher, dass die Lizenzdatei korrekt platziert ist und die Testphase nicht abgelaufen ist.

Häufig gestellte Fragen

Q: Kann ich GroupDocs.Viewer auf einem Produktionsserver verwenden?
A: Ja, aber Sie benötigen eine gültige kommerzielle Lizenz. Die kostenlose Testversion ist auf Entwicklung und Tests beschränkt.

Q: Wie wirkt sich die Textextraktion auf PDF-Metadaten aus?
A: Die Extraktion liest nur den Inhalt; Metadaten bleiben unverändert, sofern Sie sie nicht explizit ändern.

Q: Welche anderen Dateiformate unterstützt GroupDocs Viewer neben PDFs?
A: Es verarbeitet Word, Excel, PowerPoint, Bilder und viele weitere Formate und ist damit ein vielseitiger Dokumentenbetrachter.

Q: Gibt es eine Möglichkeit, Text aus passwortgeschützten PDFs zu extrahieren?
A: Absolut – übergeben Sie das Passwort beim Erzeugen der Viewer-Instanz.

Q: Wie kann ich die Leistung bei der Stapelverarbeitung von tausenden PDFs verbessern?
A: Verwenden Sie einen Thread‑Pool, verarbeiten Sie jede Datei in ihrer eigenen Viewer-Instanz und überwachen Sie die Speichernutzung genau.

Ressourcen

Zuletzt aktualisiert: 2026-05-06
Getestet mit: GroupDocs.Viewer Java 25.2
Autor: GroupDocs