Java使用PDFBox提取PDF文本并统计关键词出现的次数

 更新时间:2025年05月16日 11:00:57   作者:码农研究僧  
这篇文章主要介绍了Apache PDFBox库的基本知识,包括如何使用PDDocument加载PDF文件、PDFTextStripper提取文本以及如何进行词频统计,还提供了在线URL的处理方法,需要的朋友可以参考下

1. 基本知识

Apache PDFBox 是一个开源的 Java PDF 操作库,支持:

  • 读取 PDF 文件内容(包括文字、图片、元数据)

  • 创建和修改 PDF 文档

  • 提取文本内容用于搜索、分析等操作

Maven相关的依赖:

<dependency>
    <groupId>org.apache.pdfbox</groupId>
    <artifactId>pdfbox</artifactId>
    <version>2.0.29</version>
</dependency>

需下载 在进行统计:

import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.text.PDFTextStripper;

import java.io.File;
import java.io.IOException;

public class PDFWordCounter {

    public static void main(String[] args) {
        String pdfPath = "sample.pdf";  // 替换为你的 PDF 文件路径
        String keyword = "Java";        // 要统计的词语

        try {
            // 加载 PDF 文档
            PDDocument document = PDDocument.load(new File(pdfPath));

            // 使用 PDFTextStripper 提取文本
            PDFTextStripper stripper = new PDFTextStripper();
            String text = stripper.getText(document);
            document.close(); // 记得关闭文档资源

            // 转小写处理,方便忽略大小写
            String lowerText = text.toLowerCase();
            String lowerKeyword = keyword.toLowerCase();

            // 调用词频统计函数
            int count = countOccurrences(lowerText, lowerKeyword);

            System.out.println("词语 \"" + keyword + "\" 出现次数: " + count);
        } catch (IOException e) {
            e.printStackTrace();
        }
    }

    // 使用 indexOf 遍历匹配词语出现次数
    private static int countOccurrences(String text, String word) {
        int count = 0;
        int index = 0;
        while ((index = text.indexOf(word, index)) != -1) {
            count++;
            index += word.length();
        }
        return count;
    }
}

上述的Demo详细分析下核心知识:

  1. PDDocument.load(File)
    用于加载 PDF 文件到内存中
    PDFBox 使用 PDDocument 表示整个 PDF 对象,使用完后必须调用 close() 释放资源

  2. PDFTextStripper
    PDFBox 中用于提取文字的核心类,会尽可能“以阅读顺序”提取文本,适用于纯文字 PDF 文件。对于图像型扫描件则无效(需 OCR)

  3. 大小写不敏感统计
    实际应用中搜索关键词通常需要忽略大小写,因此我们先统一将文本和关键词转换为小写

  4. indexOf 实现词频统计
    这是最基础也最直观的统计方法,效率较高,但不够精确
    如果需要更精确(只统计完整单词),可以使用正则:

Pattern pattern = Pattern.compile("\\b" + Pattern.quote(word) + "\\b", Pattern.CASE_INSENSITIVE);
Matcher matcher = pattern.matcher(text);
int count = 0;
while (matcher.find()) {
    count++;
}

2. 在线URL

2.1 英文

此处的Demo需要注意一个点:

注意点说明
PDF 文件是否公开访问不能访问受密码或登录保护的 PDF
文件大小不建议下载和分析过大文件,可能导致内存问题
中文 PDF若是扫描图片形式的中文 PDF,则 PDFBox 无法直接提取文本(需 OCR)
编码问题若中文显示为乱码,可能是 PDF 没有内嵌字体

思路:

  • 通过 URL.openStream() 获取在线 PDF 的输入流

  • 使用 PDFBox 的 PDDocument.load(InputStream) 读取 PDF

  • 用 PDFTextStripper 提取文本

  • 用字符串方法或正则统计关键词频率

import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.text.PDFTextStripper;

import java.io.InputStream;
import java.net.URL;
import java.util.regex.Matcher;
import java.util.regex.Pattern;

public class OnlinePDFKeywordCounter {

    public static void main(String[] args) {
        String pdfUrl = "https://www.example.com/sample.pdf"; // 你的在线 PDF 链接
        String keyword = "Java";  // 需要统计的关键词

        try (InputStream inputStream = new URL(pdfUrl).openStream();
             PDDocument document = PDDocument.load(inputStream)) {

            PDFTextStripper stripper = new PDFTextStripper();
            String text = stripper.getText(document);

            // 使用正则匹配单词边界(忽略大小写)
            Pattern pattern = Pattern.compile("\\b" + Pattern.quote(keyword) + "\\b", Pattern.CASE_INSENSITIVE);
            Matcher matcher = pattern.matcher(text);

            int count = 0;
            while (matcher.find()) {
                count++;
            }

            System.out.println("词语 \"" + keyword + "\" 出现在在线 PDF 中的次数为: " + count);

        } catch (Exception e) {
            System.err.println("处理 PDF 时出错: " + e.getMessage());
            e.printStackTrace();
        }
    }
}

2.2 混合

方法适用场景是否支持中文
indexOf中英文都适用
Pattern + \\b仅限英文单词匹配❌ 中文不支持

正则表达式 \\b...\\b(表示“单词边界”)并不适用于中文

统计在想的URL PDF的词频:

import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.text.PDFTextStripper;

import java.io.InputStream;
import java.net.URL;

public class OnlinePDFKeywordCounter {

    public static void main(String[] args) {
        String pdfUrl = "https://www.xxxx.pdf";
        String keyword = "管理层";  // 要统计的中文关键词

        try (InputStream inputStream = new URL(pdfUrl).openStream();
             PDDocument document = PDDocument.load(inputStream)) {

            PDFTextStripper stripper = new PDFTextStripper();
            String text = stripper.getText(document);

            // 直接用 indexOf 不区分大小写(对于中文没必要转小写)
            int count = countOccurrences(text, keyword);
            System.out.println("词语 \"" + keyword + "\" 出现次数为: " + count);

        } catch (Exception e) {
            System.err.println("处理 PDF 时出错: " + e.getMessage());
            e.printStackTrace();
        }
    }

    // 简单统计子串出现次数(适用于中文)
    private static int countOccurrences(String text, String keyword) {
        int count = 0;
        int index = 0;
        while ((index = text.indexOf(keyword, index)) != -1) {
            count++;
            index += keyword.length();
        }
        return count;
    }
}

截图如下:

以上就是Java使用PDFBox提取PDF文本并统计关键词出现的次数的详细内容,更多关于Java PDFBox提取PDF文本并统计的资料请关注脚本之家其它相关文章!

相关文章

  • 使用IntelliJ IDEA 2017.2.5 x64中的Spring Initializr插件快速创建Spring Boot/Cloud工程(图解)

    使用IntelliJ IDEA 2017.2.5 x64中的Spring Initializr插件快速创建Spring

    这篇文章主要介绍了使用IntelliJ IDEA 2017.2.5 x64中的Spring Initializr插件快速创建Spring Boot/Cloud工程(图解),需要的朋友可以参考下
    2018-01-01
  • SpringBoot整合flyway实现自动创建表的方法

    SpringBoot整合flyway实现自动创建表的方法

    这篇文章主要介绍了SpringBoot整合flyway实现自动创建表的方法,本文通过实例代码给大家介绍的非常详细,对大家的学习或工作具有一定的参考借鉴价值,需要的朋友可以参考下
    2021-03-03
  • Java使用RedisTemplate如何根据前缀获取key列表

    Java使用RedisTemplate如何根据前缀获取key列表

    这篇文章主要介绍了Java使用RedisTemplate如何根据前缀获取key列表,具有很好的参考价值,希望对大家有所帮助。如有错误或未考虑完全的地方,望不吝赐教
    2022-06-06
  • java如何用正则表达式匹配与提取字符串

    java如何用正则表达式匹配与提取字符串

    一位以前的同事在群里面突然发了个需求,要通过正则表达式来取值,下面这篇文章主要给大家介绍了关于java如何用正则表达式匹配与提取字符串的相关资料,需要的朋友可以参考下
    2022-06-06
  • Java实现设计模式之责任链模式

    Java实现设计模式之责任链模式

    责任链模式是一种行为设计模式,允许你将请求沿着处理链发送,然后处理者都可对其进行处理,完成后可以再将其传递给下一个处理者。下面将会举例说明什么是责任链模式,责任链模式该如何使用
    2022-08-08
  • MyBatis中如何获取Oracle序列

    MyBatis中如何获取Oracle序列

    文章介绍了在使用MyBatis时,如何通过获取序列的下一个值来完成某些功能操作,并在之后进行数据的添加操作,文中特别强调了在获取序列值后不能单独执行插入操作,否则会报错
    2024-12-12
  • Java中的getBytes()方法使用详解

    Java中的getBytes()方法使用详解

    这篇文章主要介绍了Java中getBytes()方法使用的相关资料,getBytes()方法有多个重载形式,可以根据需要指定字符集来进行转换,文中通过代码介绍的非常详细,需要的朋友可以参考下
    2025-05-05
  • 利用Java实体bean对象批量数据传输处理方案小结

    利用Java实体bean对象批量数据传输处理方案小结

    javabean是对面向对象思想的一种具体实施的表现,本文重点给大家介绍利用Java实体bean对象批量数据传输处理方案小结,本文通过两种方案给大家介绍的非常详细,感兴趣的朋友跟随小编一起看看吧
    2021-05-05
  • Java并发中的ThreadLocal使用详解

    Java并发中的ThreadLocal使用详解

    ThreadLocal 是 Java 中实现线程局部变量的重要工具,它能让每个线程拥有自己独立的变量副本,从而在多线程环境下避免共享数据的竞争问题,下面给大家介绍java并发中的ThredLocal使用详解,感兴趣的朋友跟随小编一起看看吧
    2026-03-03
  • 基于binarywang封装的微信工具包生成二维码

    基于binarywang封装的微信工具包生成二维码

    这篇文章主要介绍了基于binarywang封装的微信工具包生成二维码,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下
    2020-11-11

最新评论