使用 GroupDocs.Viewer for Java 提取 PDF 文本

从 PDF 中提取文本是许多数据驱动应用的核心需求。在本教程中，我们将通过 GroupDocs Viewer Java 库，向您展示如何高效地 提取 PDF 内容。无论您需要对文档建立索引、进行分析，还是迁移旧档案，下面的步骤都提供了完整的、可用于生产环境的解决方案。

使用 GroupDocs.Viewer for Java 从 PDF 提取文本

快速答案

  • 哪个库最适合 PDF 文本提取？ GroupDocs.Viewer Java 提供了强大的 pdf 文本提取 api。
  • 我可以从多页 PDF 中提取文本吗？ 可以——查看器会自动遍历每一页和每一行。
  • 生产环境需要许可证吗？ 需要商业许可证；可使用免费试用版进行评估。
  • 支持哪个 Java 版本？ JDK 1.8+（最新的 LTS 版本同样适用）。
  • Maven 是唯一的依赖添加方式吗？ 推荐使用 Maven，但也可以使用 Gradle 或手动引入 JAR。

什么是 PDF 文本提取以及为何使用 GroupDocs Viewer？

pdf text extraction api 读取 PDF 的文本层，而不渲染可视内容。这种方式比基于光栅的 OCR 快得多，并且保留原始文档结构。GroupDocs Viewer Java 通过开箱即用地处理复杂布局、加密文件和多页文档，提供了额外价值。

前置条件

  • Java Development Kit (JDK) 1.8+ 已安装。
  • Maven 用于依赖管理（如果喜欢，也可以使用 Gradle）。
  • 获取 GroupDocs Viewer for Java 许可证（免费试用或已购买）。
  • 基本的 Java 知识——您将编写少量 try‑with‑resources 代码块。

设置 GroupDocs.Viewer for Java

将 GroupDocs 仓库和依赖添加到您的 pom.xml 中：

<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>

获取许可证

  • 免费试用 – 适合探索 pdf text extraction api。
  • 临时许可证 – 可进行延长测试，无需信用卡。
  • 正式购买 – 商业部署所必需。

实现指南

下面是使用 GroupDocs Viewer Java 提取 PDF 文本的简明分步演练。

1. 初始化 Viewer 对象

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

Viewer 实例指向您要处理的 PDF。使用 try‑with‑resources 代码块可确保本机资源自动释放。

2. 为文本提取配置 ViewInfoOptions

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

设置 setExtractText(true) 告诉 pdf text extraction api 在视图信息中包含原始文本。

3. 检索文档信息

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

PdfViewInfo 让您访问每一页、每一行及其文本值。

4. 遍历页面和行（提取多页 PDF 文本）

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

此循环打印每一行文本，自动处理 extract multi page pdf 场景。您可以将 System.out.println 替换为写入文件、数据库或搜索索引的代码。

故障排除技巧

  • 再次确认文件路径；路径错误会抛出 FileNotFoundException。
  • 确保已调用 setExtractText(true)；否则仅返回可视数据。
  • 对于加密的 PDF，请通过 Viewer 构造函数重载传入密码。

实际应用

GroupDocs Viewer 的 extract pdf text java 能力解锁了许多实际用例：

  1. 数据迁移 – 将旧的 PDF 档案迁移到可搜索的数据库中。
  2. 内容分析 – 将提取的文本输入 NLP 流程，用于情感或关键词提取。
  3. 文档管理系统 (DMS) – 自动为文档建立索引，以实现快速检索。

性能考虑因素

在处理大文件或批处理任务时：

  • 内存管理 – 在 try 块内处理页面，以便垃圾回收器及时回收内存。
  • 流式处理 – 对于超大 PDF，考虑一次处理一页，而不是一次性加载整个文档。
  • 线程化 – 在多个文件之间并行提取，但每个线程保持单独的 Viewer 实例。

常见问题及解决方案

问题解决方案
OutOfMemoryError 在大 PDF 上出现增加 JVM 堆大小（-Xmx2g），并顺序处理页面。
扫描的 PDF 未返回文本使用 OCR 插件或专用 OCR 库；GroupDocs Viewer 仅提取嵌入的文本。
生产环境许可证错误确认许可证文件放置正确且试用期未过期。

常见问答

问：我可以在生产服务器上使用 GroupDocs.Viewer 吗？
答：可以，但必须拥有有效的商业许可证。免费试用仅限于开发和测试。

问：文本提取会影响 PDF 元数据吗？
答：提取仅读取内容；除非您显式修改，否则元数据保持不变。

问：除了 PDF，GroupDocs Viewer 还支持哪些文件格式？
答：它支持 Word、Excel、PowerPoint、图像等多种格式，是一个多功能的文档查看器。

问：有没有办法从受密码保护的 PDF 中提取文本？
答：当然可以——在构造 Viewer 实例时传入密码。

问：如何提升对数千个 PDF 批量处理的性能？
答：使用线程池，为每个文件创建独立的 Viewer 实例，并密切监控内存使用情况。

资源

最后更新： 2026-05-06
测试环境： GroupDocs.Viewer Java 25.2
作者： GroupDocs