Tecnología Electrónica

Cómo leer archivos PDF en Java con Apache PDFBox (Guía completa con Eclipse)

Para extraer texto de PDFs en Java, la librería estándar open-source es Apache PDFBox. Esta guía cubre la configuración del proyecto en Eclipse con todas las dependencias necesarias y el código para parsear PDFs.

1. Preparar entorno y dependencias

  1. JDK: Descarga e instala JDK 11/17/21 LTS (Oracle, Eclipse Temurin, Azul Zulu). Configura JAVA_HOME y PATH.
  2. Eclipse IDE for Java Developers: Descarga, descomprime, ejecuta eclipse.exe. Crea workspace.
  3. Proyecto Maven (Recomendado): File > New > Maven Project > maven-archetype-quickstart > GroupId: com.ejemplo, ArtifactId: pdf-reader.
  4. Dependencias en pom.xml: 
    <dependencies>
    <dependency>
        <groupId>org.apache.pdfbox</groupId>
        <artifactId>pdfbox</artifactId>
        <version>3.0.2</version> <!-- Versión actual 2024 -->
    </dependency>
    <dependency>
        <groupId>org.apache.pdfbox</groupId>
        <artifactId>fontbox</artifactId>
        <version>3.0.2</version>
    </dependency>
    <dependency>
        <groupId>org.apache.pdfbox</groupId>
        <artifactId>jempbox</artifactId>
        <version>3.0.2</version>
    </dependency>
    <dependency>
        <groupId>org.apache.logging.log4j</groupId>
        <artifactId>log4j-api</artifactId>
        <version>2.23.1</version>
    </dependency>
    <dependency>
        <groupId>org.apache.logging.log4j</groupId>
        <artifactId>log4j-core</artifactId>
        <version>2.23.1</version>
    </dependency>
    <dependency>
        <groupId>org.apache.commons</groupId>
        <artifactId>commons-lang3</artifactId>
        <version>3.15.0</version>
    </dependency>
</dependencies>
  5. Clic derecho en proyecto > Maven > Update Project.

2. Código para extraer texto (PDFBox 3.x)

package com.ejemplo.pdfreader;

import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.text.PDFTextStripper;
import java.io.File;
import java.io.IOException;

public class PDFTextExtractor {
    public static void main(String[] args) {
        if (args.length == 0) {
            System.err.println("Uso: java PDFTextExtractor ruta/al/archivo.pdf");
            return;
        }
        String pdfPath = args[0];
        File file = new File(pdfPath);
        if (!file.exists()) {
            System.err.println("Archivo no encontrado: " + pdfPath);
            return;
        }
        try (PDDocument document = PDDocument.load(file)) {
            if (document.isEncrypted()) {
                System.err.println("El PDF está cifrado. Proporciona contraseña.");
                return;
            }
            PDFTextStripper stripper = new PDFTextStripper();
            // Opcional: configurar páginas
            // stripper.setStartPage(1);
            // stripper.setEndPage(document.getNumberOfPages());
            // stripper.setSortByPosition(true); // Orden de lectura natural
            String text = stripper.getText(document);
            System.out.println(text);
        } catch (IOException e) {
            System.err.println("Error leyendo PDF: " + e.getMessage());
            e.printStackTrace();
        }
    }
}

3. Ejecutar

  1. Copia un PDF de prueba a la raíz del proyecto (ej. prueba.pdf).
  2. Clic derecho en la clase > Run As > Java Application.
  3. En "Arguments" (pestaña Arguments), en "Program arguments" pon: prueba.pdf (o ruta relativa). Run.
  4. La consola mostrará el texto extraído.

4. Silenciar log4j (opcional)

Crea src/main/resources/log4j2.xml: 

<?xml version="1.0" encoding="UTF-8"?>
<Configuration status="WARN">
    <Appenders>
        <Console name="Console" target="SYSTEM_OUT">
            <PatternLayout pattern="%d{HH:mm:ss.SSS} [%t] %-5level %logger{36} - %msg%n"/>
        </Console>
    </Appenders>
    <Loggers>
        <Root level="WARN">
            <AppenderRef ref="Console"/>
        </Root>
    </Loggers>
</Configuration>

Alternativas comerciales (si PDFBox falla en PDFs complejos)

  • iText 7 (AGPL / Comercial): Potente, pero licencia restrictiva.
  • Aspose.PDF for Java (Comercial): Muy robusto, caro.
  • PDFTron (Comercial): Alto rendimiento, caro.

Consejos clave

  • PDFBox 3.x requiere Java 8+. Usa JDK 11/17/21 LTS.
  • Maneja try-with-resources para cerrar PDDocument automáticamente.
  • Para PDFs escaneados (imagen), necesitas OCR (Tesseract via tess4j) antes de PDFBox.
  • Los PDFs con formularios, firmas, capas o fuentes incrustadas complejas pueden extraer texto desordenado. Prueba setSortByPosition(true).

>

<

Vida inteligente