有没有更好的方法来使用 PdfStripper 转换 pdf 的字节数组？

Question

我有一个 pdf 文件的字节数组，想从文件中取出文本。我下面的代码有效，但我需要先创建一个实际文件。你知道更好的方法，所以我不必先创建这个文件吗？

try {
  File temp = File.createTempFile("temp-pdf", ".tmp");
  OutputStream out = new FileOutputStream(temp);
  out.write(Base64.decodeBase64(testObject.getPdfAsDoc().getContent()));
  out.close();
  PDDocument document = PDDocument.load(temp);
  PDFTextStripper pdfStripper = new PDFTextStripper();
  String text = pdfStripper.getText(document);
  log.info(text);
} catch(IOException e){

}

Answer 1

答案取决于您使用的 PDFBox 版本。

PDFBox 2.0.x

只要你有一个byte[]（你似乎从Base64.decodeBase64 得到一个），你就可以直接加载它：

byte[] documentBytes = Base64.decodeBase64(testObject.getPdfAsDoc().getContent());
PDDocument document = PDDocument.load(documentBytes);

PDFBox 1.8.x

只要您有byte[]，您就可以通过ByteArrayInputStream 加载它：

byte[] documentBytes = Base64.decodeBase64(testObject.getPdfAsDoc().getContent());
InputStream documentStream = new ByteArrayInputStream(documentBytes);
PDDocument document = PDDocument.load(documentStream);

顺便说一句：使用 PDFBox 1.8.x 时，您应该使用 loadNonSeq 重载而不是 load，因为 load 不会加载指定的 PDF，因此可能会被愚弄阅读它内容错误。但是，如果 PDF 损坏，您仍然可以尝试 load 作为后备。