itext：文本提取示例不起作用

Question

我想明智地从 PDF 文档页面中提取文本，我正在使用 itext。我使用了他们website中的示例代码：

PdfReader reader = new PdfReader(pathToFile);
PdfReaderContentParser parser = new PdfReaderContentParser(reader);
TextExtractionStrategy strategy = parser.processContent(page, new SimpleTextExtractionStrategy());

processContent 方法给了我一个NullPointerException。我做错了什么？

这是我在使用 5.5.0 版和 this 文件时得到的堆栈跟踪：

java.lang.NullPointerException
at com.itextpdf.text.pdf.parser.PdfReaderContentParser.processContent(PdfReaderContentParser.java:82)
at com.itextpdf.text.pdf.parser.PdfReaderContentParser.processContent(PdfReaderContentParser.java:105)
at org.languageresources.PDFExtraktor.extractTextFromPage(PDFExtractor.java:100)

Answer 1

鉴于您提供的代码片段和示例文档，我尝试重现该问题，但无济于事，文本提取工作正常。

此外，给出的堆栈跟踪：

java.lang.NullPointerException
at com.itextpdf.text.pdf.parser.PdfReaderContentParser.processContent(PdfReaderContentParser.java:82)
at com.itextpdf.text.pdf.parser.PdfReaderContentParser.processContent(PdfReaderContentParser.java:105)
at org.languageresources.PDFExtraktor.extractTextFromPage(PDFExtractor.java:100)

与所谓的 5.5.0 版本不匹配，因为该版本中的 PdfReaderContentParser.java:82 是一个空行且 PdfReaderContentParser.java:105 不存在：当时该文件的大小只有 85 行。

---

不过，假设您使用当前版本 5.5.9，堆栈跟踪是有意义的，在该版本中，PdfReaderContentParser.java:82 是这些行中的第二行：

PdfDictionary pageDic = reader.getPageN(pageNumber);
PdfDictionary resourcesDic = pageDic.getAsDict(PdfName.RESOURCES);

如果没有页面pageNumber，pageDic 确实可以是null。

因此，请检查page（相关页码）是否介于 1 和 reader.getNumberOfPages() 之间。