从pdf中获取html内容url（jsoup）

Question

我正在制作一个软件，该软件应该从提供的url中检索网页的标题并尝试使用JSoup来实现该目标。 的联系大多来自YouTube和JSoup完美的作品和他们在一起，但偶尔的输入会以概率密度函数，像这样的形式：http://www.ninsheetmusic.org/download/pdf/2066 这时候，我得到以下异常：

org.jsoup.UnsupportedMimeTypeException: Unhandled content type. Must be text/*, application/xml, or application/xhtml+xml. Mimetype=application/pdf, URL=http://www.ninsheetmusic.org/download/pdf/2066 
at org.jsoup.helper.HttpConnection$Response.execute(HttpConnection.java:689) 
at org.jsoup.helper.HttpConnection$Response.execute(HttpConnection.java:628) 
at org.jsoup.helper.HttpConnection.execute(HttpConnection.java:260) 
at org.jsoup.helper.HttpConnection.get(HttpConnection.java:249) 
at core.Request.parseTitle(Request.java:54) 
at core.Request.<init>(Request.java:29) 
at core.GrakeBot.parseRequest(GrakeBot.java:161) 
at core.GrakeBot.onMessage(GrakeBot.java:59) 
at org.jibble.pircbot.PircBot.handleLine(PircBot.java:990) 
at org.jibble.pircbot.InputThread.run(InputThread.java:92) 

现在我把它JSoup不处理pdf，但有什么我可以在这里做，以避免这种异常，并获得网页标题？

这是我现在使用的代码：

private String parseTitle(String link) 
{ 
    Document doc = null; 
    String title = "Title could not be retrieved"; 

    if (getType() == RequestType.YOUTUBE) 
    { 
     try 
     { 
      doc = Jsoup.connect(getLink()).get(); 
      title = doc.getElementById("eow-title").text(); 
     } catch (IOException e) 
     { 
      e.printStackTrace(); 
     } 
     return title; 
    } 
    else if (getType() == RequestType.SHEET) 
    { 
     try 
     { 
      doc = Jsoup.connect(getLink()).get(); 
      title = doc.getElementsByTag("title").text(); 
     } catch (IOException e) 
     { 
      e.printStackTrace(); 
     } 
     return title; 
    } 
    else 
     return title; 
} 

Answer 1

不能使用JSoup这一点。这不是HTML。我查看了源代码，并且收到的数据看起来像这样：
%PDF-1.5 %Çì¢ 5 0 obj <</Length 6 0 R/Filter /FlateDecode>> stream xœÍ\]\[³$GqÆö1áë˜à…GœQUf\]ý† Làp8¿¬xÀ+åÐ „1?ÉÿÒy©KöîYítŸÌîÙ¯«ºº.™YyëêßœÜÕÃÉñÿþã嫇÷œO¿üâ!~÷à®Îa©%Qá“?üƒ‡„pŠ Ã5åÓ+E.#£O~ò s5ýñù/~óP®Èÿä‚ýýòÕé? Ç—“Ï×RNü‚:Pk åþTü5”SJpÍpúàÕÃùk—þë!Ôk§þ…áwèÞœ¨·ñÑÃùëRéZJ8=&¹·_ŽW úS}óÒ\[j¾årÙ<í-•‘&3õ"8éóªwïnÀM-\]¡ä=¾ìÚ­béýMô¦èû<üè&rñÙYzQh\]ª¦\¡)ÙÙr…¦<Ù&t›*~>‘«Hq¬Ù78‹cÝ+œÅ›b…£8”h‹Åh‹Å¾$\[Üà,eS¬p{¿)V8Š\]ÞLKƒÂªïZ=bÞäef\[÷£Ï4¸$ÏO1Òo”YŒDG£´üò!æ:Ч)&ªçåžÈ÷D'“£-ƒ×{~ñ÷ú¨Ñ\[y×ôGAö7= ...

您必须使用库解析它。看完后，它看起来像Apache PDFBox是你想要的。此代码是从文档和未经考验的，但它看起来像你想要做什么：

PDDocument doc = PDDocument.load("http://www.ninsheetmusic.org/download/pdf/2066"); 
PDDocumentInformation info = doc.getDocumentInformation(); 
String title = info.getTitle(); 

剩下的唯一一件事就是安装Apache PDFBox的:)