如何使用 Apache POI 从 PDF 中提取原始文本？

Question

我需要从几个文件中提取原始文本，其中一些是 PDF 文件格式，一些是 DOC 文件格式。

我必须使用 Apache POI 来执行此操作。现在，我找到了很多关于处理 word 文件（提取和写入等）的文档，但我找不到任何关于从 PDF 中提取的文档。

我认为 Apache POI 具有此功能是错误的吗？

如果是这样，谁能推荐类似的允许从多种文件格式中提取文本的 Java 程序？

如果没有，谁能指出我应该查看的文档和/或类/方法？

提前感谢您的帮助。

Answer 1

是的，您认为 POI 会这样做是错误的。 Apache POI 适用于 Microsoft Office 文件格式，而 PDF 不适用。

您可以直接使用Apache PDFBox，也可以使用我们的Apache Tika，它可以处理Microsoft Office 和PDF 文件格式（以及许多其他格式）。