pdfbox看起來非常的方便，它的api功能強大。甚至能和lucene進行無縫的結合。但是它有乙個致命的弱點，就是它不支援中文。要提取中文的文字，可以採用另乙個非常出色的工具xpdf。
讀者可以到
2 配置
將xpdf-3.01pl2-win32.zip解壓到c:/xpdftest目錄下，然後將xpdf-chinese-simplified.tar.gz解壓倒c:/xpdftest/xpdf/目錄下，解壓後的目錄結構如圖2所示。
圖2 xpdf解壓後的目錄
開啟目錄下的xpdfrc檔案，編輯檔案內容，如下**所示。
**1
cidtounicode adobe-gb1 c:/xpdftest/xpdf/xpdf-chinese-simplified/adobe-gb1.cidtounicode
unicodemap iso-2022-cn c:/xpdftest/xpdf/xpdf-chinese-simplified/iso-2022-cn.unicodemap
unicodemap euc-cn c:/xpdftest/xpdf/xpdf-chinese-simplified/euc-cn.unicodemap
unicodemap gbk c:/xpdftest/xpdf/xpdf-chinese-simplified/gbk.unicodemap
cmapdir adobe-gb1 c:/xpdftest/xpdf/xpdf-chinese-simplified/cmap
tounicodedir c:/xpdftest/xpdf/xpdf-chinese-simplified/cmap
fontdir c:/windows/fonts
displaycidfonttt adobe-gb1 c:/windows/fonts/simhei.ttf
texteol cr+lf
檔案的路徑讀者可以根據自己的環境改，如在windows 2000下，fontdir所在的位置是c:/winnt/fonts，displaycidfonttt adobe-gb1的位置是在c:/winnt/fonts/simhei.ttf。
7.2.3 提取中文
在工程中新建乙個ch7.xpdf包，並建立乙個pdf2text類。該類採用runtime傳入引數，呼叫pdftotext.exe來進行文字的提取。其具體實現**如下。
**2public class pdf2text
// 建構函式，引數為pdf檔案的對像
public pdf2text(file pdffile) throws ioexception
// 將pdf轉為文字文件
public void totextfile() throws ioexception
// 將pdf轉為文字文件，引數為目標檔案的路徑，預設使用pdf檔案中的布局
public void totextfile(string targetfile) throws ioexception
// 將pdf轉為文字文件，引數1為目標檔案的路徑，
// 引數2為true則表示使用pdf檔案中的布局
public void totextfile(string targetfile, boolean islayout)
throws ioexception
// 將pdf轉為文字文件，引數為目標檔案
public void totextfile(file targetfile) throws ioexception
// 將pdf轉為文字文件，引數1為目標檔案，
// 引數2為true則表示使用pdf檔案中的布局
public void totextfile(file targetfile, boolean islayout)
throws ioexception
// 獲取pdf轉換器的路徑
public string getconvertor_stored_path()
// 設定pdf轉換器的路徑
public void setconvertor_stored_path(string path)
// 解析命令列引數
private string getcmd(file targetfile, boolean islayout) ; }
} 該類對外提供乙個totextfile()方法。該方法接收2個引數：targetfile為目標pdf檔案，islayout
表示是否採用原始的pdf檔案中的layout布局。類中的getcmd()方法負責解析傳進來的參
數，並生成乙個string陣列。該string陣列表示乙個作業系統中的命令，其中，各項分別代
表命令後所跟的引數。在獲得到該陣列後，再呼叫runtime.getruntime().exec(string)函式
來執行命令。
注意：在getcmd()方法中設定編碼方式的時候，用到的是gbk。這並不是對所有的檔案都
適用，因為中文的編碼方式不只一種，讀者可以根據pdf的編碼型別選擇不同的encoding
方式。所有簡體中文的編碼方式都定義在檔案xpdfrc中的unicodemap中，現在支援3種編
碼方式，分別是iso-2022-cn，euc-cn，gbk。
執行效果
下面通過乙個函式來測試pdf2text類，在ch7.xpdf包中新建乙個pdf2texttest類，包含乙個
main函式，其**如下。
** 7.5
public class pdf2texttest catch (exception e) }
}
使用XPDF將PDF轉換為HTML
4 解壓除錯 1 先將xpdf 3.02pl4 win32.zip解壓，解壓後的內容可根據需要進行刪減，如果只需要轉換為txt格式，其他的exe檔案可以刪除，只保留pdftotext.exe，以此類推 2 然後將xpdf chinese simplified.tar.gz解壓到剛才xpdf 3.02...
使用XPDF將PDF轉換為HTML
使用xpdf將pdf轉換為html 1.6 word excel pdf檔案轉換成html整理 4 解壓除錯 1 先將xpdf 3.02pl2 win32.zip解壓，解壓後的內容可根據需要進行刪減，如果只需要轉換為txt格式，其他的 exe檔案可以刪除，只保留pdftotext.exe，以此類推 ...
使用Flask WTF來處理表單
在flask中，為了處理web表單，一般使用flask wtf擴充套件，它封裝了wtfforms，並且有驗證表單資料的功能。可以使用flash訊息閃回把訊息傳給模板 from flask import flask,render template,request,flash cwtnice 目的，實現...