groovyでPDFからtextを抽出する

groovy勉強のメモを残していきたいと思います。

環境

Windwows上でVM入れたりしていますが、Git bash 上で動かす方が多いと思います。
groovyは 2.4.7 でやっています。
groovyのソースはGGTSやEclipse neon上でいじっていますが、フリーズしたら vim でいじります。

text化

コマンドラインでやってるとどうしても grep したくなりますよね。
PDFだけのドキュメントなんて...
フラストレーションたまるので簡単にtextにできるのないかなーって思って探していたら、PDFBoxなんてのがありました(^ ^)
javaで使えるから groovy ならできるでしょーってことで groovy 勉強し始めて、やらないとすぐ忘れちゃうのでメモを残して行きたいと思います。

PDFBox
https://pdfbox.apache.org/

javaでPDFをごにょごにょできるツールみたいですねぇ。
ごにょごにょいっぱいしないので、今はtextにすることだけ集中してみたら
PDDocument, PDFTextStripper あたりを使ったらできそうでしたのでやってみました。

/*
 * http://pdfbox.apache.org/
 * PDFからテキストを抽出するサンプル
 */


import static groovy.io.FileType.*

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

@Grab('org.apache.pdfbox:pdfbox:2.0.0')
@Grab('org.bouncycastle:bcprov-jdk15on:1.47')


def fileToText(String path) {
  return fileToText(new File(path))
}

def fileToText(File file) {
  println "convert ${file.name}"
  PDDocument doc = PDDocument.load(file)

  def stripper = new PDFTextStripper()
  def text = stripper.getText(doc)

  doc.close()
  return text
}

/**
 * 特定のディレクトリのPDFをtext化する。
 */
def convertDir(dir) {
  dir.eachFileMatch(FILES, ~/.*\.pdf/) {
    convertFile(it)
  }
}

/**
 * 特定のファイルのPDFをtext化する。
 */
def convertFile(file) {
    String textPath = file.getAbsolutePath()
    textPath = textPath.substring(0, textPath.length() - 3) + "txt"
    new File(textPath).text = fileToText(file)
}

def convert(path) {
  File target = new File(path)
  if (target.isDirectory()) {
    convertDir(target)
  } else if (target.isFile()) {
    convertFile(target)
  } else {
    println "skip $path"
  }
}

args.each {
  convert(it)
}

うーん。groovyっぽくない気もしますけど、動くので良しとしておきましょう(^ ^;
PDFと同じディレクトリに txt ファイルを作成してくれます。
bcprov-jdk15onはなんか無いっていわれたので入れたような...

---

file.text って文字化けする時としないときがあるような気がしますが、文字化けするときは write つかって書き込むといい感じでしょうか。