提卡犯规输出文档内容

Question

我想只提取使用提卡按照其网站上的教程一个PDF文件中的文本，但我刚开始25K行文字后面，看起来像这样的。

％PDF-1.5％ μμμμ 1 0 OBJ < >>> endobj 2 0 OBJ <> endobj 3 0 OBJ <>/ProcSet [/ PDF /文本/ ImageB/ImageC/ImageI] >> /多媒体[0 0 612 792] /目录4 0 R /组<> /拉环/ S/StructParents 0 >> endobj 4 0 OBJ <> 流 XOE•Wßoâ8？〜Gâ ~Çät？Û±óCª“曲®î'+？t¼öÁ，@£祢？ÙëíóÙ??mºœ=žùfæóÌ“OO /º¹™〜™ÿqGrúÙm7？UÛɧ۸，éönN· õµ°¹?Ù{ ½AL®EL?‘˜k?ͯ?3-¤6”Z+ŠãýL’HÄiXÐßq?½Ä&ªø¹Œ'6ª!^ÇJ‡•—¡hÚXÉ zæÝvà–•É„ê;ü0?;\àú??ïò1š+#àßH©?¤ÊÒÒòR&R?³r’ÜHeg¥Ü±H†#©ýÚ ·?V0†ffË”?ê??àÀ¨ÌY4Ï?dvWN PKA€O 3§ ¥？þ？±R ？b /ùîYi±Z/.Urß™耶> ED IX÷”Bboùã½K™O = Y＃CH 3 ?? U8>¡＃DI¢即：？？？？？？？û8øšA- C™DC‰?? ±d％邻d =e¿|§É;？％H“白??çcW®º@小号ÝGn4÷UTHR＃M +¨Åö5ιμ¸Ûè¥q±2ÑOH«Ýž0®？？？？ ：rO¯Ü¸UÓšÑíƒ+Š³`ý»¶Ž• U型oiýÌ^väh_o7ŒÐT8÷〜“我

与尝试它时，我也得到了同样的事情？！？的.docx格式太多，但它正常工作与.TXT。没有人知道我在做什么错？

BodyContentHandler handler = new BodyContentHandler(-1); 

     Metadata metadata = new Metadata(); 
     FileInputStream inputstream = new FileInputStream(new File("fake.pdf")); 
     ParseContext pcontext=new ParseContext(); 

     //Text document parser 
     TXTParser TexTParser = new TXTParser(); 

     TexTParser.parse(inputstream, handler, metadata,pcontext); 
     System.out.println("Contents of the document:" + handler.toString()); 

Answer 1

刚刚意识到我是使用TXTParser代替AutoDetectParser。有人可以关闭或删除这个问题吗？

Answer 2

的问题似乎是，你要使用一个TXTParser来解析PDF文档。 PDF代表Portable Document Format，其中包含文件中的二进制数据。

幸运Apache Tika配备了一个包装，会自动检测你试图解析该文件的格式。

尝试从Tika Documentation这个例子：

public String parseExample() throws IOException, SAXException, TikaException { 
    AutoDetectParser parser = new AutoDetectParser(); 
    BodyContentHandler handler = new BodyContentHandler(); 
    Metadata metadata = new Metadata(); 
    try (InputStream stream = ParsingExample.class.getResourceAsStream("test.pdf")) { 
     parser.parse(stream, handler, metadata); 
     return handler.toString(); 
    } 
}