在java当中使用PDFBox按页解析PDF的时候如何清除文字的格式

在Java中，使用Apache PDFBox库按页解析PDF时，如果想要清除文字的格式（如字体、大小、颜色等），可以创建一个自定义的PDFTextStripper子类，并重写其中的stripTextFromElement()方法。原始的stripTextFromElement()方法会返回带有格式信息的文本，通过覆盖这个方法，我们可以只提取纯文本内容。以下是示例代码：

import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.text.PDPageContentStream;
import org.apache.pdfbox.text.PDFTextStripper;

import java.io.IOException;

public class NoFormatPDFStripper extends PDFTextStripper {
    @Override
    protected void stripTextFromElement(PDPageContentStream contentStream, String text) throws IOException {
        super.stripTextFromElement(contentStream, text); // 获取原始文本

        PDPage page = contentStream.getPDPage();
        try (var writer = new PDPageContentStream(document, page, true, false)) { // 新建一个无格式的内容流
            writer.newLineAtOffset(0, 0); // 添加新行到顶部
            writer.showText(text); // 清除原有格式，仅显示纯文本
        }
    }

    public static void main(String[] args) {
        try {
            PDDocument document = PDDocument.load(new File("path_to_your_pdf.pdf"));
            NoFormatPDFStripper stripper = new NoFormatPDFStripper();
            StringBuilder text = new StringBuilder();
            for (int i = 1; i <= document.getNumberOfPages(); i++) {
                stripper.setStartPage(i);
                stripper.setEndPage(i);
                text.append(stripper.getText());
            }
            document.close();
            // 现在text变量中存储的就是去除了格式的纯文本
            System.out.println(text.toString());
        } catch (IOException e) {
            e.printStackTrace();
        }
    }
}

在这个例子中，`NoFormatPDFStripper`类会遍历每一页，对每一页的文本进行清理格式操作。记得替换`"path_to_your_pdf.pdf"`为实际的PDF文件路径。