PDF to CSV file generator

few years back, when I  was working on Apache TIKA POC/evaluation/bench mark for document indexing with SOLR,

At the same time, i was exploring pdf document parsing with apache.pdfbox framework.

At that time, i wrote sample code to see the PDF box capabilities.

Exactly last year, my niece asked some help in parsing the PDF file. 

I fixed the java file for her need. Keeping it here for any later uses. 

import java.io.*;

import java.time.Duration;

import java.time.Instant;

import org.apache.pdfbox.cos.COSDocument;

import org.apache.pdfbox.pdfparser.PDFParser;

import org.apache.pdfbox.pdmodel.PDDocument;

import org.apache.pdfbox.util.PDFTextStripper;

public class PdfToCsvGenerator {

    public static void main(String[] args) {

        String string = null;

        BufferedWriter out = null;

        PDDocument pdDoc = null;

        COSDocument cosDoc = null;

        PDFTextStripper pdfStripper = null;

        try {

            System.out.println("Processing PDF file. please wait.");

            Instant start = Instant.now();

            PDFParser parser = new PDFParser(new FileInputStream("C:\\xxx\files\\final_result.pdf")); //TODO

            parser.parse();

            cosDoc = parser.getDocument();

            FileWriter fstream = new FileWriter("C:\\xxx\\files\\out.csv"); ///TODO this is output file

            out = new BufferedWriter(fstream);

            pdfStripper = new PDFTextStripper();

            pdDoc = new PDDocument(cosDoc);

            pdfStripper.setStartPage(1);

            pdfStripper.setEndPage(3); //TODO for now parse only first two pages. once everything is ready..extend it for all

            String parsedText = pdfStripper.getText(pdDoc);

            String lineSep = pdfStripper.getLineSeparator();

            String[] lines  = parsedText.split(lineSep);

            for ( String aLine : lines){

                if ( aLine!= null){

                    String trimLine = aLine.trim();

                    if (trimLine.matches("^[A-Z].*$")) {

                        System.out.println("Ignoring input line:"+trimLine);

                    }else{

                        String htno=null,subcode=null, subname=null, internal=null, ext=null, credit = null;

                        StringBuffer buf = new StringBuffer();

                        if (trimLine.contains(" ")){

                         String[] fields =    trimLine.split(" ");

                            boolean isSubject = true;

                            int i = 0;

                            for ( String s : fields) {

                                if (i == 0) {

                                    htno = s;

                                    i++;

                                    continue;

                                }

                                if (i == 1) {

                                    subcode = s;

                                    i++;

                                    continue;

                                }

                                if (isSubject == true) {

                                    //StringBuffer buf = new StringBuffer();

                                    if (s.matches("[A-Za-z-&/]+")) {

                                        buf.append(s+" ");

                                        i++;

                                        continue;

                                    } else {

                                        subname  = buf.toString();

                                        isSubject = false;

                                        internal = s;

                                        i++;

                                        continue;

                                    }

                                }

                                ext = s;

                                credit = fields[fields.length - 1];

                                break;

                            }

                            out.write(htno + "," + subcode + "," + subname + "," + internal + "," + ext + "," + credit + "\n");

                           // System.out.println("htno:" + htno + " subcode:" + subcode + " subject name:" + subname + " internal:" + internal + " ext:" + ext + " credit:" + credit);

                        }else{

                            System.out.println("Ignoring 2ed stage input line:"+trimLine);

                        }

                    }

                }

            }

            if (out != null) {

                out.flush();

                out.close();

            }

            System.out.println("processing is complete. Check output file.");

            Instant end = Instant.now();

            Duration timeElapsed = Duration.between(start, end);

            System.out.println("Time taken: "+ timeElapsed.getSeconds() +" seconds");

        } catch (FileNotFoundException e) {

            e.printStackTrace();

        } catch (IOException e) {

            e.printStackTrace();

        } finally {

        }

    }

}