java – 使用pdfbox从PDF文件中提取文本

2019-07-04 00:50:43 阅读：351 来源： 互联网

我试图使用pdfbox从PDF文件中提取文本,但不是作为命令行工具,而是在我的Java应用程序中.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：

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

它打印pdf文件输出如下：

%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

所以我确信pdf正确下载 – 只是这个PDF剥离器不起作用……

———————————————-编辑

这个问题解决了 – 工作代码在这里http://thottingal.in/blog/2009/06/24/pdfbox-extract-text-from-pdf/

解决方法:

(问题在评论中回答.见Question with no answers, but issue solved in the comments (or extended in chat))

@WeloSefer写道：

maybe 07001 can help you get started … I have never worked with jsoup nor pdfbox so I am no help but I sure will try pdfbox since I’ve been testing itextpdf reader for extracting texts.

OP写道：

Thanks, that is what I was looking for – it works now

标签：java,pdf,jsoup,pdfbox
来源： https://codeday.me/bug/20190703/1371938.html

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。

ICode9

java – 使用pdfbox从PDF文件中提取文本