Pegar informações Arquivo em PDF

Com o iText, vc consegue fazer isso.

Bom dia!

A alguns anos implementei uma solução para extração de texto de arquivos PDF utilizando o iText

import java.io.FileOutputStream;
import java.io.PrintWriter;
import java.util.ArrayList;

import com.itextpdf.text.pdf.PdfReader;
import com.itextpdf.text.pdf.parser.PdfReaderContentParser;
import com.itextpdf.text.pdf.parser.TextExtractionStrategy;

/**
 * Leitor de arquivos PDF.
 * */
public class PDFReader {

	/**
	 * Faz a leitura do arquivo PDF e salva a saída no mesmo caminho que o arquivo original.
	 * 
	 * @param filePath
	 *            caminho do arquivo pdf
	 * @param textStractionStrategy
	 *            estratégia de extração do texto
	 * @param fileExtensionType
	 *            extensão do arquivo de saída
	 * @param textToReplace
	 *            uma lista contendo texto ou caracteres para substituição(vetor de duas posições).
	 * */
	public void pdfToText(String filePath, TextExtractionStrategy textStractionStrategy, EnFileExtensionType fileExtensionType, ArrayList<String[]> textToReplace) {
		try {
			PdfReader pdfReader = new PdfReader(filePath);
			PdfReaderContentParser PdfParser = new PdfReaderContentParser(pdfReader);
			PrintWriter out = new PrintWriter(new FileOutputStream(filePath + fileExtensionType));
			TextExtractionStrategy textStrategy;
			for (int i = 1; i <= pdfReader.getNumberOfPages(); i++) {
				textStrategy = PdfParser.processContent(i, textStractionStrategy);

				String result = textStrategy.getResultantText();

				for (int j = 0; j < textToReplace.size(); j++) {
					result.replace(textToReplace.get(j)[0], textToReplace.get(j)[1]);
				}

				out.println(result);
			}

			out.flush();
			out.close();

			pdfReader.close();

		} catch (Exception e) {
			e.printStackTrace();
		}
	}
}

Sendo possível implementar sua própria estratégia para extração do texto

TextExtractionStrategy textStrategy = new SimplePDFTextExtractionStrategy();
TextExtractionStrategy textStrategy = new LocationPDFTextExtractionStrategy();
TextExtractionStrategy textStrategy = new AdvancedPDFTextExtractionStrategy();

mais como vc faz para pegar determinada informações, exemplo eu li as informações do meu arquivo pdf e preciso pegar o valor que esta no campo impostos.

impostos 145,47

como faço para pegar esse valor?

Aqui você tem o seu texto extraído do PDF:

String result = textStrategy.getResultantText();

A sua implementação do TextExtractionStrategy que irá determinar como será o resultado final.
No meu caso os PDF’s são tabelas então separei cada conjunto(ou célula) por ponto e vírgula.

Um exemplo(não consegui formatar o código, este forúm ta um lixo):

import com.itextpdf.text.pdf.parser.ImageRenderInfo;

import com.itextpdf.text.pdf.parser.LineSegment;

import com.itextpdf.text.pdf.parser.TextExtractionStrategy;

import com.itextpdf.text.pdf.parser.TextRenderInfo;

import com.itextpdf.text.pdf.parser.Vector;

/**

• Implementação de um renderizador simples para extração de texto.
  

• 
  

• Este renderizador mantém o controle da posição atual Y de cada String. Se ele detectar

• que a posição y mudou, ele insere uma quebra de linha na saída. O PDF a ser renderizado

• deve ter formatação simples(linha-a-linha, sem tabulações ou linhas mescladas),

• isto irá resultar em uma verdadeira representação de como ele aparece no PDF.
  

• 
  

• Este renderizador usa uma estratégia simples com base nas métricas de fonte para determinar

• quebras de linha, espaçamentos e inserção de ponto e vírgula.

• */
  
  public class SimplePDFTextExtractionStrategy implements TextExtractionStrategy {
  
  private Vector lastStart;
  
  private Vector lastEnd;
  

  /** Utilizado para armazenar o texto. */
  private final StringBuffer result = new StringBuffer();;

  /**

  • Cria um novo renderizador para extração de texto.
    */
    public SimplePDFTextExtractionStrategy() {
    }

  public void beginTextBlock() {
  }

  public void endTextBlock() {
  }

  /**

  • @return Retorna o texto da página.
    */
    public String getResultantText() {
    return result.toString();
    }

  TextRenderInfo lastRenderInfo = null;
  float lastDist = 0f;

  /**

  • Captura o texto usando um algoritmo simplificado para inserir quebra de linha e ponto e vírgula.
    
    */
    
    public void renderText(TextRenderInfo renderInfo) {
    
    boolean firstRender = result.length() == 0;// indica que é o primeiro TextRender
    
    boolean hardReturn = false;
    

    LineSegment segment = renderInfo.getBaseline();
    
    Vector start = segment.getStartPoint();
    
    Vector end = segment.getEndPoint();
    

    float dist = 0f;

    if (!firstRender) {
    
    Vector x0 = start;
    
    Vector x1 = lastStart;
    
    Vector x2 = lastEnd;
    

    // ver http://mathworld.wolfram.com/Point-LineDistance2-Dimensional.html
     float dist2 = (x2.subtract(x1)).cross((x1.subtract(x0))).lengthSquared() / x2.subtract(x1).lengthSquared();
    
     // tecnicamente, devemos verificar tanto as posições iniciais e finais, no caso de o ângulo do texto mudar sem qualquer deslocamento,
     // provavelmente deve basear-se nas métricas de fonte atuais, mas 1pt parece ser suficiente
     float sameLineThreshold = 1f;
     if (dist2 > sameLineThreshold)
     	hardReturn = true;
    
     // compara a distância entre a letra anterior e a atual, se a distância for maior do que a última distância medida é uma indicação de que
     // temos o ínicio de uma nova palavra, ou frase. Para a correta formação de uma frase faz-se necessário verificar os espaços em branco
     // porque não podemos inserir ponto e vírgula entre palavras da mesma frase.
     dist = distanceFromEndOf(renderInfo, lastRenderInfo);
    

//			if (dist < -renderInfo.getSingleSpaceWidth())

//				result.append(’;’);

//

//			else if (dist > lastDist && (renderInfo.getText() != " " && lastRenderInfo.getText() != " ")) {

//				result.append(’;’);

//			}

}

if (hardReturn) {
		result.append('\n');
	}

	result.append(renderInfo.getText());

	lastStart = start;
	lastEnd = end;
	lastRenderInfo = renderInfo;

	// somente captura a última distância entre duas letras caso elas estiverem na mesma linha
	if (renderInfo.getBaseline().getStartPoint().get(1) - lastRenderInfo.getBaseline().getStartPoint().get(1) > 0)
		lastDist = dist;
	else
		lastDist = 0f;
}

/**
 * Distância entre dois TextRender.
 * */
private float distanceFromEndOf(TextRenderInfo renderInfo, TextRenderInfo lastRenderInfo) {
	float distance = renderInfo.getDescentLine().getStartPoint().get(0) - lastRenderInfo.getDescentLine().getEndPoint().get(0);
	return distance;
}

public void renderImage(ImageRenderInfo renderInfo) {
	// não faz nada - não é necessário renderizar imagens
}

}