Spring AI PagePdfDocumentReader 全解析：基于 Apache PdfBox 的按页 PDF 读取实战

前言

在日常开发中，我们常常遇到一种令人头疼的情况：手里有一份厚厚的 PDF 文档，只能一页一页盯着看，手动复制内容的效率堪比用筷子夹西瓜，看似可行，但既费劲又毫无优雅可言。尤其是当你需要把这些文字喂给 AI 模型时，这种“原始人式”的处理方式简直像用木棍敲击电脑，痛苦指数直线上升。

为了避免开发者在 PDF 的海洋中无助漂流，Spring AI 家族特地派出一位身手敏捷的选手：PagePdfDocumentReader。它的本事可不只是单纯地“读文件”，而是能把一整本 PDF 按页切割成一份份精致的 Document，每一份都带着完整的元数据，就像给 AI 准备一盘精心切好的水果拼盘，让模型既能快速消化，又能高效理解。

更重要的是，它的使用方式优雅到让人想立刻动手试一试：只需引入依赖，配置好参数，然后轻轻一调 read() 方法，PDF 内容就会化整为零，整齐排队出现在你的代码世界。无论是做 RAG、全文检索，还是任何需要精准内容分片的场景，它都能成为你的秘密武器。

简介

PagePdfDocumentReader 是 Spring AI 提供的一款高效 PDF 文档读取器，底层依托 Apache PdfBox 进行解析。它的核心能力在于支持按页读取 PDF，将每一页内容转化为独立的 Document 对象，并配套元数据，让内容既有“肉”也有“骨架”，方便后续 AI 或检索引擎快速消化。

和传统一次性读取整份 PDF 相比，这种按页切割的方式就像是把大披萨切成均匀的片，每片都能单独端上桌，吃起来既方便又能精确控制“分量”。在 RAG（检索增强生成）、全文索引、问答系统等任务中，这种精细的粒度意味着更高的检索准确率与更低的冗余。

PagePdfDoc