Java 读取 PDF 万字详解:从入门到踩坑

做后端开发，早晚有一天会碰上「读取 PDF」这个需求。

合同解析、发票识别、论文检索、报表抽取……需求五花八门，但落到代码上，第一个问题永远是：用哪个库？

搜一下，答案能有七八个：PDFBox、iText、OpenPDF、Spire.PDF、PDFjet、PDF Clown……每个都说自己好，新手直接懵。

这篇文章我帮你理清楚：PDF 为什么难读、主流库怎么选、实际代码怎么写、常见坑在哪。看完至少能省半天选型时间。

01

PDF 为什么这么难读？

先讲一个反直觉的事实：PDF 不是文档格式，是"打印指令"格式。

你用 Word 写文档，Word 知道「这是一段文字」「这是一个表格」「这是一张图片」——它有语义结构。你读 Word 文件，本质上是在读取这些结构化信息。

但 PDF 不一样。PDF 的底层是一串"画图指令"。    

举个例子，PDF 里没有"表格"这个概念。你看到的表格，其实是一堆线条 + 一堆文字摆放在合适的位置上，看起来像表格而已。

这就是为什么「从 PDF 里提取表格」永远是最难的——库要做的不是"读表格"，而是"根据坐标推断哪堆文字属于哪个单元格"。

理解了这一点，后面很多事情就顺理成章了：

• 文本顺序不一定对：PDF 里的文字是按绘制顺序存的，不是按阅读顺序。双栏排版的 PDF，提取出来的文字可能左右穿插。

• 字体可能是自定义编码：有些 PDF 用的是内嵌字体 + 自定义编码，读出来全是乱码，根本无法直接转成 Unicode。

• 扫描件就是一张图：很多 PDF 其实是扫描仪直接扫进去的图片，里面根本没有文字层，OCR 是唯一出路。

一句话总结：读 PDF 不是"解析文档"，是"从一堆画图指令里反向工程出文字和结构"。准确率从来不是 100%，只能尽量逼近。 

02

主流库横评：该用哪个？

Java 生态里读 PDF 的库不少，真正值得考虑的其实就四个。    

逐个说。

① Apache PDFBox —— 首选

Apache 基金会维护，完全开源免费（Apache 2.0 协议），功能全面，社区活跃，文档也齐全。读文本、读图片、拆分合并、加解密、表单填充……基本你能想到的功能它都有。

优点：免费、开源、功能全、社区大、持续更新。

缺点：表格提取弱，需要自己写逻辑；大文件内存占用偏高。

Maven 依赖：

<dependency><groupId>org.apache.pdfbox</groupId><artifactId>pdfbox</artifactId><version>2.0.32</version></dependency>

② iText 7 —— 功能最强，但要注意协议

iText 是 PDF 领域的老牌选手，功能非常强大，生成和读取都很强。但注意它的协议是 AGPL——如果你的项目是商用的且不打算开源，需要购买商业授权，否则有法律风险。

iText 5 是老版本（MPL/LGPL 协议，相对宽松），但已经停止维护了。新项目不建议用。

③ OpenPDF —— iText 4 的开源分支

OpenPDF 是从 iText 4.2 分支出来的，LGPL 协议，可以商用。功能比 iText 少一些，但基本的读写都够用。如果你对协议敏感又不想用 PDFBox，可以考虑它。

④ Spire.PDF for Java —— 商业库

商业软件，功能非常全面，表格提取、HTML 转 PDF 这些都做得很好。免费版有限制（最多 10 页）。如果预算充足且对表格提取要求高，可以评估一下。

选型结论：大多数场景用 PDFBox 就够了。协议友好、功能全面、社区活跃，遇到问题搜得到答案。如果表格提取是核心需求且预算充足，再考虑 Spire.PDF。 

03

PDFBox 实战：读文本

从最简单的开始：把 PDF 里所有文字提取出来。

import org.apache.pdfbox.pdmodel.PDDocument;import org.apache.pdfbox.text.PDFTextStripper;import java.io.File;public static String extractText(String filePath) throws Exception {try (PDDocument document = PDDocument.load(new File(filePath))) {        PDFTextStripper stripper = new PDFTextStripper();// 设置排序：尽量按阅读顺序输出        stripper.setSortByPosition(true);// 提取全部页面        String text = stripper.getText(document);return text;    }}

就这么简单？是的，基础用法就是这么简单。但有几个坑要注意。

坑 1：setSortByPosition 不是万能的。

这个参数会让 PDFBox 尝试按"从上到下、从左到右"的阅读顺序排列文字。对于单栏文档效果还可以，但对于复杂的多栏布局、图文混排，效果依然不理想。

坑 2：字体编码问题。

有些 PDF 的字体是自定义编码（比如某些设计院、印刷厂的 PDF），提取出来全是方框或乱码。这种情况 PDFBox 也没辙——它只能忠实读取 PDF 里存的内容，存的是乱码就只能读出乱码。

判断方法：用 PDF 阅读器打开，能不能正常复制文字？如果复制出来就是乱码，那任何库都读不出来，只能上 OCR。

坑 3：只提取指定页。

// 只提取第 3 到第 5 页（从 1 开始计数）stripper.setStartPage(3);stripper.setEndPage(5);String partialText = stripper.getText(document);

04

PDFBox 实战：读图片

提取 PDF 里的图片，思路是遍历每一页的资源，找出所有图像对象。

public static voidextractImages(String pdfPath, String outputDir)throws Exception {try (PDDocument document = PDDocument.load(new File(pdfPath))) {int imageIndex = 0;for (int pageIdx = 0; pageIdx < document.getNumberOfPages(); pageIdx++) {            PDPage page = document.getPage(pageIdx);            PDResources resources = page.getResources();for (COSName name : resources.getXObjectNames()) {                PDXObject xobj = resources.getXObject(name);if (xobj instanceof PDImageXObject) {                    PDImageXObject image = (PDImageXObject) xobj;                    String outPath = outputDir + "/image_"                            + (pageIdx + 1) + "_"                            + (++imageIndex) + ".png";                    ImageIO.write(image.getImage(), "png",new File(outPath));                }            }        }    }}

这段代码能把 PDF 里嵌入的图片全部提取出来。但要注意两点：

• 提取出来的图片没有上下文，你不知道它在原文的哪个位置、对应哪段文字。如果需要位置信息，得额外处理坐标。

• 有些 PDF 把图片切成了很多小图块（为了压缩或渲染优化），提取出来是一堆碎片，不是完整的大图。

05

最难的部分：提取表格

这是 PDF 提取里最难的一块，也是翻车最多的地方。

前面说了，PDF 里没有"表格"这个概念，只有线条和文字。要提取表格，本质上是一个逆向工程：先找到所有横线竖线，推断出单元格的位置，再把落在每个单元格里的文字归进去。    

PDFBox 本身不提供表格提取功能。要做表格提取，有三条路：

方案一：自己写（适合简单表格）

如果你的 PDF 格式固定、表格规整，可以自己写逻辑。大致思路：

1. 用 PDFTextStripperByArea 按区域提取文字

2. 或者用 TextPosition 获取每个字符的坐标

3. 根据 Y 坐标分行、X 坐标分列，自己拼装成表格

适合格式固定且简单的场景，比如发票、固定模板的报表。一旦格式变了，代码就得重写。

方案二：用 tabula-java（推荐）

tabula-java 是一个专门用来从 PDF 提取表格的开源库，基于 PDFBox 开发。它实现了两种提取算法：一种基于线条检测，一种基于文本间距推断，能处理大多数有框线和无框线的表格。

public static List<List<List<String>>> extractTables(        String pdfPath, int pageNum) throws Exception {    PDDocument document = PDDocument.load(new File(pdfPath));    SpreadsheetExtractionAlgorithm algorithm =new SpreadsheetExtractionAlgorithm();    Page page = new ObjectExtractor(document)            .extract(pageNum);    List<Table> tables = algorithm.extract(page);return tables.stream()        .map(t -> t.getRows().stream()            .map(r -> r.stream()                .map(Cell::getText)                .collect(toList()))            .collect(toList()))        .collect(toList());}

Maven 依赖：

<dependency><groupId>technology.tabula</groupId><artifactId>tabula</artifactId><version>1.0.5</version></dependency>

注意：tabula 的准确率取决于表格的规整程度。线条清晰、单元格对齐整齐的表格，准确率能到 95% 以上；但如果是合并单元格、嵌套表格、虚线边框，效果就会打折扣。

方案三：商业库（Spire / Aspose）

如果预算充足且表格提取是核心需求，商业库的表格识别能力通常比开源方案强一大截。Spire.PDF 和 Aspose.PDF 都有成熟的表格提取 API，几行代码就能搞定。

06

遇到扫描件怎么办？

前面说的所有方法，都有一个前提：PDF 里有文字层。

但很多 PDF 是扫描件——整页就是一张大图片，里面根本没有文字。这种情况，PDFBox 再强大也没用，因为确实没东西可读。

怎么办？答案是 OCR（光学字符识别）：先把 PDF 每页转成图片，再用 OCR 引擎识别图片里的文字。    

Java 生态里最常用的 OCR 方案是 Tesseract，通过 tess4j 这个库来调用。

public static String ocrPdf(String pdfPath) throws Exception {    Tesseract tesseract = new Tesseract();// 设置语言包路径和语言    tesseract.setDatapath("/path/to/tessdata");    tesseract.setLanguage("chi_sim+eng"); // 中文简体+英文// 直接对 PDF 做 OCR（内部会转图片）    String result = tesseract.doOCR(new File(pdfPath));return result;}

几个关键注意点：

• 语言包要下载：Tesseract 需要对应语言的训练数据（.traineddata 文件），中文简体是 chi_sim.traineddata，去 GitHub 上下载放到 tessdata 目录。

• 速度慢：OCR 比直接读文字慢 10-100 倍，一页可能要 1-5 秒。大文件建议异步处理或分批处理。

• 准确率取决于清晰度：300 DPI 以上的扫描件效果不错，低分辨率、模糊、倾斜的效果会差很多。建议先做预处理（去噪、二值化、倾斜校正）再识别。

• 原生依赖：tess4j 底层调用的是 C++ 的 Tesseract，需要安装原生库。服务器部署时要注意环境问题。

07

性能与内存：别让大文件搞崩你的服务

PDF 文件说大不大，说小不小。几 MB 的文件没问题，但如果是几百页的扫描件，可能几十上百 MB，处理不好很容易 OOM。

① 用 try-with-resources 确保关闭

PDDocument 是需要关闭的资源，一定要用 try-with-resources，否则文件句柄和内存泄漏都是常事。

② 流式读取（PDFBox 2.0+）

对于特别大的文件，可以用流式加载，只把当前需要的部分加载到内存：

// 流式加载，减少内存占用PDDocument document = Loader.loadPDF(new RandomAccessReadBufferedFile(file));// 或者设置内存使用策略MemoryUsageSetting memSetting =    MemoryUsageSetting.setupMixed(256 * 1024 * 1024);PDDocument doc = PDDocument.load(file, memSetting);

setupMixed(256MB) 的意思是：内存最多用 256MB，超过了就把部分数据写到临时文件里。可以有效防止大文件把堆内存撑爆。

③ 逐页处理，不要一次性全读

如果你的业务是"逐页处理"（比如每页提取文字后存入数据库），那就不要一次性把整个文档的文字都读出来。读完一页处理一页、释放一页的相关对象，内存占用会小很多。

④ 并发控制

PDF 解析很吃 CPU 和内存。如果是 Web 服务，建议对 PDF 解析接口做并发限制，比如同一时间最多处理 2-3 个 PDF，请求多了就排队。不然很容易把服务器打挂。

08

最后说两句

回到开头那个问题：Java 读 PDF，到底用哪个库？

我的建议很简单：    

但比选型更重要的，是管理好预期。

很多人一上来就想"100% 准确提取 PDF 内容"——这是不现实的。PDF 格式的本质决定了它不是为"被解析"而设计的。再强的库，遇到排版复杂的 PDF，准确率也会下降。

正确的心态是：

• 如果 PDF 是自己生成的、格式可控的——那最简单，怎么提取都准。

• 如果 PDF 是外部来的、格式固定的（比如某类发票、某种报表）——针对格式做适配，准确率可以很高。

• 如果 PDF 是来源杂、格式五花八门的——降低预期，把 PDF 提取当作"初筛"，关键数据还是要人工复核。

一句话收尾：读 PDF 不是一个库的事，是一整套方案的事——选对工具、管理预期、做好兜底，这件事就没那么难。