P4-1 办公自动化简介以及PDF文件分析

办公自动化简介以及PDF文件分析

---

什么是办公自动化

• 非IT专业人员打交道最多的三种文件：Word、Excel、PDF
  • Excel中的VBA脚本，用的是Basic的语言，非常小众了现在

    办公自动化就是把人工手动的操作方法通过编程自动化去完成
    这个阶段讲：Word、Excel、PDF文件的读写，图表，简化日常工作

使用YZK-Docs

• 1、Maven中引入yzk18-docs
• 2、看文档研究PDFHelpers的用法。
  • 就是对PDFbox的简单封装，没有封装的方法直接参考PDFbox的文档即可
• 3、案例：把一个PDF文件中的文字提取到一个文本文档中，图片保存到同级目录下，文件名用递增序号

思路

• 1.PDF文档的不同：
  • 扫描版
  • 加密版
  • 文字版(开源一般都只对文字版管用)
  • 限制
    • 1、有的是纯扫描版文件，全都是图片，无法简单的提取文字，需要调用OCR等功能。OCR精度较高，所以都是收费的
    • 2、一些被加密等PDF文件需要特殊处理
    • 3、PDF的不可替代性的格式。所以用代码去实现提取PDF中的文字，无法达到完美的还原出来里面所有的内容

//案例：把一个PDF文件中的文字提取到一个文本文档中，图片保存到同级目录下，文件名用递增序号
PDDocument doc = PDFHelpers.openFile("D:/JavaTest1/PDFtest/03 1.1 提升信息敏感度的三种方法，成为信息收集的「有心人」.pdf");  //读取对应路径的pdf文件
int docNumbr = doc.getNumberOfPages();//获取pdf多少页
String text = PDFHelpers.parseText(doc);//pdf的txt文本提取成字符串
IOHelpers.writeAllText("D:/JavaTest1/PDFtest/有心人.txt",text);//字符串写入txt
for (int i =0;i<docNumbr;i++)
{
    PDPage page = doc.getPage(i);//获取页数
    List<byte[]> bytes = PDFHelpers.parseImages(page,"png");//获取当前页的图片信息
    for (byte[] bytes1 :bytes)
    {
        IOHelpers.writeAllBytes("D:/JavaTest1/PDFtest/图片/"+i+".png",bytes1);//写入图片
    }
}

PDFHelpers.close(doc);//关闭pdf