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

  • Springboot整合Flowable6.x导出bpmn20的步骤详解

    Springboot整合Flowable6.x导出bpmn20的步骤详解

    这篇文章主要介绍了Springboot整合Flowable6.x导出bpmn20,Flowable流程引擎可用于部署BPMN 2.0流程定义,可以十分灵活地加入你的应用/服务/构架,本文给出两种从flowable导出流程定义bpmn20.xml的方式,需要的朋友可以参考下
    2023-04-04
  • Java中的15种锁

    Java中的15种锁

    在读很多并发文章中,会提及各种各样锁如公平锁,乐观锁等等,这篇文章小编将向大家介绍是各种锁的分类,感兴趣的小伙伴可以参考下面文章的具体内容
    2021-09-09
  • Java System#exit无法退出程序的问题及解决

    Java System#exit无法退出程序的问题及解决

    这篇文章主要介绍了Java System#exit无法退出程序的问题及解决方案,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
    2023-04-04
  • 浅析Jmeter多用户token使用问题

    浅析Jmeter多用户token使用问题

    这篇文章主要介绍了Jmeter多用户token使用问题,通过具体的例子给大家介绍了Jmeter多用户token使用场景接口分析,需要的朋友可以参考下
    2021-10-10
  • Java AQS的实现原理详解

    Java AQS的实现原理详解

    这篇文章主要借助了ReentrantLock来带大家搞清楚AQS的实现原理,文中的示例代码讲解详细,具有一定的学习价值,感兴趣的小伙伴可以了解一下
    2023-04-04
  • 关于解决iReport4.1.1无法正常启动或者闪退或者JDK8不兼容的问题

    关于解决iReport4.1.1无法正常启动或者闪退或者JDK8不兼容的问题

    在安装使用iReport的过程中遇到一个问题,我的iReport始终不能打开,困扰了我好久。接下来通过本文给大家介绍iReport4.1.1无法正常启动或者闪退或者JDK8不兼容的问题,需要的朋友可以参考下
    2018-09-09
  • SpringBoot设置动态定时任务的方法详解

    SpringBoot设置动态定时任务的方法详解

    这篇文章主要为大家详细介绍了SpringBoot设置动态定时任务的方法,文中的示例代码讲解详细,对我们学习有一定的参考价值,需要的可以参考一下
    2022-06-06
  • IDEA配置SpringBoot热启动,以及热启动失效问题

    IDEA配置SpringBoot热启动,以及热启动失效问题

    这篇文章主要介绍了IDEA配置SpringBoot热启动,以及热启动失效问题,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
    2023-11-11
  • 详解Spring Boot使用redis实现数据缓存

    详解Spring Boot使用redis实现数据缓存

    本篇文章主要介绍了详解Spring Boot使用redis实现数据缓存,小编觉得挺不错的,现在分享给大家,也给大家做个参考。一起跟随小编过来看看吧
    2017-04-04
  • Java中数据库加密的方式分享

    Java中数据库加密的方式分享

    在现今互联网时代,数据安全已经成为了我们必须要面对的重要课题,在本文中,我们将会介绍Java中常用的几种数据库加密方式并分析一下它们的优缺点,希望对大家有所帮助
    2023-05-05

最新评论