[英]Extracting text from PDF file using pdfbox
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/
(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/
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.