解析从 Internet 下载的 PDF答案

【问题标题】：Parsing PDF that has been downloaded from internet解析从 Internet 下载的 PDF
【发布时间】：2013-09-30 06:19:26
【问题描述】：

我在 stackoverflow 上搜索了有关此主题的问题。他们确实帮助了我，但我又卡住了。

我的问题是我需要编写一个从 (www.example.com/abc.pdf) 之类的网站下载 pdf 的方法，然后我想读取输出。我不想保存这个文件，只是读入系统。我不需要将字节放入文件输出流。我试图将字节转换为 char 以获取字符（这可能是最愚蠢的解决方案）。但是我得到了未知的字符。有什么想法还是我理解错了？

这是代码及其输出：

String textlink="http://www.selab.isti.cnr.it/ws-mate/example.pdf";// it comes from main class

public String HtmlTest(String textLink) throws IOException{

        StringBuilder sd=new StringBuilder();
        URL link=new URL(textLink);
        URLConnection urlConn = link.openConnection();

         BufferedInputStream in = null;
        try
        {

            in = new BufferedInputStream(urlConn.getInputStream());
            byte data[] = new byte[1024];
            in.read(data, 0, 1024);
        for (int j = 0; j < data.length; j++) {

            if(j%100==0){
            sd.append((char)data[j]+"\n"); // i used this for making readable text
            }
            else{
            sd.append((char)data[j]);
            }

        }
        }
        finally
        {
            if (in != null)
                in.close();
        }
        return sd.toString();

    }

输出

运行：

%
PDF-1.3
%ￇ￬ﾏﾢ
7 0 obj
<</Length 8 0 R/Filter /FlateDecode>>
stream
xﾜﾭY[ﾓￛﾶ￮ﾳ&?BoNf,,q%￠ﾼ4￞x&ﾞ6ﾩﾛlￓ
ﾗﾼ￐ﾽￋZeﾑ￲f￻￫￻ﾁ

【问题讨论】：

尝试指定阅读时使用的编码。
我会考虑研究 IText：itextpdf.com 但请注意他们的许可证有点限制。
问题在于 PDF 不是纯文本文件 (.txt)：它具有定义明确且结构完整的格式。您肯定需要一个库来以干净的方式从 PDF 中提取文本。

标签： java parsing pdf pdfbox

【解决方案1】：

阅读 .pdf 文件不会让您走得太远，就好像它基本上是一个文本文件一样。首先，“文本”是压缩的二进制格式；您可能还需要处理其他问题。

强烈建议：

使用 Java .pdf 库，例如 Apache PDFBox

恕我直言>。

【讨论】：