使用pdfbox从PDF文件中提取文本答案

【问题标题】：Extracting text from PDF file using pdfbox使用pdfbox从PDF文件中提取文本
【发布时间】：2012-12-30 12:53:06
【问题描述】：

我正在尝试使用 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。当我这样做时：

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

它打印 pdf 文件以输出如下：

%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 下载正确 - 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/

【问题讨论】：

也许 this 可以帮助您入门...我从未使用过 jsoup 或 pdfbox 所以我没有任何帮助，但我确定将尝试 pdfbox 因为我一直在测试 itextpdf reader 以提取文本。
谢谢，这就是我一直在寻找的东西 - 现在可以使用了 :)
太棒了。如果您可以回答自己的问题以供以后使用，那就太好了..
将答案作为实际答案提供，并将问题标记为已回答，因此对于来自未回答问题搜索页面的其他用户而言，该问题将显示为具有正确答案。
只能添加一个同上。一个没有答案的问题就像一个从未被发现的泉水。

标签： java pdf jsoup pdfbox

【解决方案1】：

（问题已在 cmets 中回答。见 Question with no answers, but issue solved in the comments (or extended in chat)）

@WeloSefer 写道：

也许this 可以帮助您入门...我从未使用过jsoup 或pdfbox，所以我没有任何帮助，但我肯定会尝试pdfbox，因为我一直在测试itextpdf 阅读器以提取文本。

OP 写道：

谢谢，这就是我一直在寻找的东西 - 现在可以使用了 :) 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/

【讨论】：