使用pdfbox从PDF文件中提取文本

Question

我正在尝试使用pdfbox从PDF文件提取文本，但不是将其作为命令行工具，而是在Java应用程序内部。 我正在使用jsoup下载pdf。

res = Jsoup
.connect(host+action)
.ignoreContentType(true)
.data(data)
.cookies(cookies)
.method(Method.POST)
.timeout(20*1000)
.execute();

// prepare document
InputStream is = new ByteArrayInputStream(res.bodyAsBytes()); 
PDDocument pdf = new PDDocument();
pdf.load(is,true);

// extract text
PDFTextStripper stripper = new PDFTextStripper();
String text = stripper.getText(pdf);

// print extracted text
System.out.println(text);

此代码仅打印空行。 当我这样做时：

System.out.println(res.body());

它将打印pdf文件以如下方式输出：

%PDF-1.4
%����
6 0 obj
<<
/Filter /FlateDecode
/Length 1869
>>
stream
x��X�n��

...

<<
/Size 28
/Info 27 0 R
/Root 26 0 R
>>
startxref
20632
%%EOF

因此，我确定pdf下载正确-仅此PDF剥离器不起作用...

----------------------------------------------编辑

此问题已解决-此处的工作代码为http://thottingal.in/blog/2009/06/24/pdfbox-extract-text-from-pdf/

Answer 1

（问题在评论中得到了回答。请参阅无答案的问题，但问题在评论中得到了解决（或在聊天中扩展了） ）

@WeloSefer写道：

也许这可以帮助您入门...我从未使用过jsoup或pdfbox，所以我没有帮助，但是我肯定会尝试pdfbox，因为我一直在测试itextpdf阅读器来提取文本。

OP写道：

谢谢，这就是我一直在寻找的东西-现在可以正常工作：)这个问题已解决-此处的工作代码为http://thottingal.in/blog/2009/06/24/pdfbox-extract-text-from-pdf/