如何在JMeter中使用JSR223 PreProcessor提取PDF文本内容

• 下载Apache PDFBox的二进制包，把包内的pdfbox-xxx.jar、fontbox-xxx.jar、commons-logging-xxx.jar三个文件拷贝到JMeter安装目录的lib文件夹下，操作完成后重启JMeter，否则脚本运行时会报类找不到的错误。
• 提前确认待提取PDF的来源：本地静态文件直接拿绝对路径即可；如果是接口响应返回的PDF，可以先存为临时文件，或者直接读取响应字节流处理，不需要落盘。

• 找到需要用到PDF提取内容的采样器，右键依次选择「添加-前置处理器-JSR223 预处理器」
• 预处理器面板的「语言」下拉项选择groovy，注意：这是JSR223组件推荐使用的唯一语言，其余可选语言（如BeanShell）执行性能差、存在语法兼容问题，不建议使用，Groovy脚本会在首次运行时编译缓存，不会额外消耗压测性能。
• 将对应逻辑写入脚本输入框，参考可运行代码如下：

import org.apache.pdfbox.pdmodel.PDDocument
import org.apache.pdfbox.text.PDFTextStripper
import java.io.File

// 替换为实际PDF路径，也可以通过vars.get()引用之前存的JMeter变量
String pdfFilePath = "D:/testdata/target.pdf"
PDDocument document = null

try {
    // 普通无密码PDF加载方式
    document = PDDocument.load(new File(pdfFilePath))
    // 加密PDF替换为下面的写法，传入打开密码
    // document = PDDocument.load(new File(pdfFilePath), "pdf_open_password")
    
    PDFTextStripper textStripper = new PDFTextStripper()
    // 可选：指定提取页码范围，比如只提取2-5页
    // textStripper.setStartPage(2)
    // textStripper.setEndPage(5)
    
    // 提取全量文本
    String fullPdfText = textStripper.getText(document)
    // 将提取结果存入JMeter变量，后续组件可直接通过${pdf_full_text}引用
    vars.put("pdf_full_text", fullPdfText)
    
    // 可直接在脚本中通过正则截取需要的特定字段，比如提取订单号
    def orderNoMatch = (fullPdfText =~ /订单编号：([A-Z0-9]+)/)
    if (orderNoMatch.find()) {
        vars.put("pdf_order_no", orderNoMatch.group(1))
    }
    
    // 日志打印前200字预览，方便调试
    log.info("PDF提取完成，内容预览：{}", fullPdfText.take(200))
} catch (Exception e) {
    log.error("PDF文本提取失败", e)
    SampleResult.setSuccessful(false)
    SampleResult.setResponseMessage("PDF提取异常：" + e.getMessage())
} finally {
    // 必须关闭文档实例，避免文件句柄泄漏
    if (document != null) {
        document.close()
    }
}

• 接口返回流直接处理：如果待提取PDF是上一个接口的响应内容，不需要存本地，直接读取响应字节流加载即可，替换加载逻辑为：

import java.io.ByteArrayInputStream
byte[] pdfBytes = prev.getResponseData()
document = PDDocument.load(new ByteArrayInputStream(pdfBytes))

• 乱码问题：如果提取出的内容全是乱码，先确认PDF是不是扫描生成的图片版PDF——这类PDF没有内嵌文本层，PDFBox无法直接提取内容，需要额外集成Tess4J等OCR组件做图像识别才能拿到文本；如果是可正常复制文本的PDF出现乱码，检查PDFBox版本是否过低，升级到最新稳定版即可解决。
• 性能优化：压测场景下尽量不要提取全量PDF文本，只通过正则、字符串截取拿需要的字段即可，减少不必要的内存占用和CPU消耗，避免影响压测结果准确性。

内容的提问来源于stack exchange，提问作者avidey