代码中的Scala PDFBox错误

Question

编写了一个从 PDF 文档中读取文本的函数。 使用 scala 语言、Selenium、PDFBox 2.0.1。

下面是代码：

enter code here
import org.openqa.selenium.firefox.{FirefoxBinary, FirefoxDriver, FirefoxProfile}
import org.apache.pdfbox.pdfparser.PDFParser
import org.apache.pdfbox.text.PDFTextStripper
import java.io.BufferedInputStream
def pdfreaddata {
  driver.get("https://www.....pdf")
  driver.manage.timeouts.implicitlyWait(50, TimeUnit.SECONDS)
  val url: URL = new URL(driver.getCurrentUrl)
  println(url)
  val fileToParse: BufferedInputStream = new BufferedInputStream(url.openStream())
  val parser: PDFParser = new PDFParser(fileToParse)
  parser.parse()
  val output: String = new PDFTextStripper().getText(parser.getPDDocument)
  println("pdf Value" + output)
  parser.getPDDocument.close()

  driver.manage.timeouts.implicitlyWait(100, TimeUnit.SECONDS)
}

在val parser: PDFParser = new PDFParser(fileToParse) 中显示 PDFParser 错误

错误信息：

无法解析构造函数

用Java也试过代码，得到同样的错误。

Answer 1

您使用的是 PDFBox 2.x 版，但显然您正在关注 1.x 版的文档。在 2.0 中没有这样的构造函数。有些事情发生了变化，包括解析。关注migration guide 或回退到 1.8，因为它看起来确实有更多的文档记录和更多的在线资料。

Answer 2

使用 pdfbox 1.8.12 解决了构造函数问题。但即使是 pdf 也没有密码保护，它显示为加密。下面是使用 Scala 从 pdf 文档中提取加密文本的最终代码。将来可能对某人有用。

def pdfreaddata {
driver.get("https://www....combo.pdf")
driver.manage.timeouts.implicitlyWait(50, TimeUnit.SECONDS)
val url: URL = new URL(driver.getCurrentUrl)
println(url)
val fileToParse: BufferedInputStream = new BufferedInputStream(url.openStream())
val parser: PDFParser = new PDFParser(fileToParse)
parser.parse()
val cosDocument:COSDocument  = parser.getDocument()
val pdDocument:PDDocument = new PDDocument(cosDocument)
if(pdDocument.isEncrypted()) {
  val sdm: StandardDecryptionMaterial  = new StandardDecryptionMaterial(PDF_OWNER_PASSWORD)//PDF_OWNER_PASSWORD =""
  pdDocument.openProtection(sdm) 
}
val output: String = new PDFTextStripper().getText(pdDocument)
println("pdf Value" + output)
parser.getPDDocument.close()

driver.manage.timeouts.implicitlyWait(100, TimeUnit.SECONDS)
}
}