XPDF3.04抽取PDF中的中文文本

開發環境：Windows8.0 X64位          eclipse3.2

版本號：xpdfbin-win-3.04      xpdf-chinese-simplified.tar.gz

下載路徑：ftp://ftp.foolabs.com/pub/xpdf/

操做步驟：

1. 下載xpdf和中文字體，分別解壓縮。

2. 創建xpdf根目錄 d:\xpdf，

   （1）並將xpdfbin-win-3.04\bin64目錄下全部文件複製到 d:\xpdf 下。

   （2）將xpdf-chinese-simplified 整個文件夾複製到 d:\xpdf 下。

3. 複製 xpdfbin-win-3.04\doc 路徑下的 sample-xpdfrc 文件到 d:\xpdf 下，並更名爲 xpdfrc。

   （1）修改文件 xpdfrc 第73行，將 textEncoding UTF-8 註釋打開，指定編碼爲UTF-8，

   （2）並在下面增長 textPageBreaks no 參數，意思是在pdf文檔的兩頁間不加入分行符。 

   （3）在此文件最後增長如下內容，聲明中文字體文件

4. #----- begin Chinese Simplified support package (2011-sep-02)
   cidToUnicode Adobe-GB1 D:/xpdf/xpdf-chinese-simplified/Adobe-GB1.cidToUnicode
   unicodeMap ISO-2022-CN D:/xpdf/xpdf-chinese-simplified/ISO-2022-CN.unicodeMap
   unicodeMap EUC-CN D:/xpdf/xpdf-chinese-simplified/EUC-CN.unicodeMap
   unicodeMap GBK D:/xpdf/xpdf-chinese-simplified/GBK.unicodeMap
   cMapDir Adobe-GB1 D:/xpdf/xpdf-chinese-simplified/CMap
   toUnicodeDir D:/xpdf/xpdf-chinese-simplified/CMap
   #displayCIDFontTT Adobe-GB1 D:/xpdf/xpdf-chinese-simplified/CMap/gkai00mp.ttf 
   #fontFileCC Adobe-GB1 /usr/..../gkai00mp.ttf
   #----- end Chinese Simplified support package

5. 實驗代碼

    

6. @Test
   public void xpdfParser(){
   
        try {
           cmd = "d:\\xpdf\\pdftotext.exe -enc UTF-8 -q D:\\datadir\\Web數據挖掘綜述.pdf d:\\datadir\\pdftxtdir\\Web數據挖掘綜述.txt ";
           Runtime.getRuntime().exec(cmd);
       } catch (IOException e) {
           e.printStackTrace();
       }
    }

   以上代碼不完整，主要是xpdf路徑設置可能會有問題，另外就是中文字庫文件路徑設置必須正確，不然導出的txt文件沒有內容。

   如有不清楚的地方，或者發現問題，可回覆我，多謝！