如何在不下载的情况下从pdf和doc文件中提取文本答案

【问题标题】：How to extract text from pdf and doc file without downloading如何在不下载的情况下从pdf和doc文件中提取文本
【发布时间】：2016-02-18 08:13:38
【问题描述】：

在问这个问题之前我已经搜索了很多。我有一个程序（java），它抓取一些网页并试图找到一些 .doc 和 .pdf文件，它可以下载它们，但只有一个 .pdf 或 .doc 可以覆盖 3-4mb，这不好，因为有数百万个文件。所以我决定在不下载整个文件的情况下提取它们的文本。基本上，我需要在线查看 pdf 或 doc 文件并仅下载其文本，但我不知道该怎么做。如有必要，我可以提供我的代码。

编辑：这个问题现在可以关闭，因为我得到了这个想法和（没有）解决方案。感谢您的帮助。

那些降级的问题是怎么回事？

【问题讨论】：

从 Internet 上的网站读取文件而不下载是不可能的。如果您可以控制服务器，则可以编写一个 Web 服务，该服务可以按需解析文件并提取您感兴趣的部分，然后将其发送到客户端。
我没有控制权。我正在抓取网页。
但您可以提前下载它们并获得每个的摘要。在咨询期间，您在数据中执行搜索。
这就是我要做的

标签： java pdf web-crawler doc

【解决方案1】：

这是不可能的。您只能在下载字节后开始提取文档。

（除非您还可以控制服务器，否则您可以在服务器端进行提取并提供txt 下载链接）

【讨论】：

我无法控制服务器。我正在抓取数千个网站并获取文件..所以我必须下载文件。这不会是一个有效的程序，但无论如何谢谢。
@kaanyılmaz 是的，这将是低效的。您可以在下载时提取文件以防止必须保存它们。但恐怕这是你能得到的最好的了。
下载文件后，我将提取文本并获取文件的 rif。这是我目前唯一的想法。

【解决方案2】：

不下载就从 Internet 上的网站读取文件是不可能的。

如果您可以控制服务器，则可以编写一个 Web 服务，该服务可以按需解析文件并提取您感兴趣的部分，然后将其发送到客户端。

如果没有，并且如果您要解决更具挑战性的问题，您可以编写一个 HTTP 客户端，开始下载文件并即时解析它，只下载提取部分所需的数量你需要。这可能可行，也可能不可行（或值得），具体取决于“有趣”位在文件中的位置。如果在大多数情况下它们接近开始，那么您可能能够显着减小下载大小。

有关如何完成此操作的详细说明可能超出了 StackOverflow 答案长度的准则。

【讨论】：

我不知道文件的哪些部分是我下载整个文件的原因。以及那些降级是怎么回事..我没有问一个愚蠢或重复的问题。我只是找不到任何解决方案并询问社区，因为没有这样的问题。
至于否决票，问题的写法听起来像是“我想做 X 但不知道如何做”，而没有解释您考虑过的方法。我们通常希望提问者提供已完成研究的证据，以免其他人重复您所做的相同工作。
我想这就像我想做 X 和 Y，做了 X 但 Y 所以帮助我。
以什么方式帮助你？我们不是来为您编写完整的应用程序。如果您不认为即时解析和提取将节省大量带宽，只需下载文件并处理它们。您还需要什么帮助？
我没有要求给我写一个完整的应用程序。我只是问有没有办法做到这一点。祝你有美好的一天。