首页
Web开发
Windows程序
编程语言
数据库
移动开发
系统相关
微信
其他好文
会员
首页
>
Web开发
> 详细
利用lucene对PDF文本进行内容的解析
时间:
2015-04-05 10:34:57
阅读:
131
评论:
0
收藏:
0
[点我收藏+]
标签:
/*
* 这段代码的功能是利用PDFBox.zip的包
* 利用lucene对PDF文本进行内容的解析
* 读取pdf文件的内容。然后重新的写入到同名的.txt文件中
* */
结果截图:
package pdfbox;
import java.io.File;
import java.io.FileOutputStream;
import java.io.OutputStreamWriter;
import java.io.Writer;
import java.net.MalformedURLException;
import java.net.URL;
import org.pdfbox.pdmodel.PDDocument;
import org.pdfbox.util.PDFTextStripper;
public class PdfBox {
public PdfBox() {
// TODO Auto-generated constructor stub
}
public void geText(String file) throws Exception{
//是否排序
boolean sort = false;
//pdf名称
String pdfFile = file;
//输入文本文件名称
String textFile = null;
//设置编码方式
String encoding = "UTF-8";
//开始提取页数
int startPage = 1;
//结束提取页数
int endPage = Integer.MAX_VALUE;
//文件输入流,生成文本文件
Writer output = null;
//内存中存储的PDF Document
PDDocument document = null;
try{
try{
//首先当做一个URL来装载文件,
//如果得到异常再从本地文件系统去装载文件
URL url = new URL(pdfFile);
document = PDDocument.load(url);
//获取PDF的文件名
String fileName = url.getFile();
//原来的PDF名称来命名新产生的txt文件
if(fileName.length( ) > 4){
File outputFile = new File(fileName.substring(0, fileName.length() - 4) + ".txt");
textFile = outputFile.getName();
}
}catch(MalformedURLException r){
//如果作为URl装载到异常则从文件系统装载
document = PDDocument.load(pdfFile);
if(pdfFile.length() > 4){
textFile = pdfFile.substring(0, pdfFile.length() - 4) + ".txt";
}
}
//文件输入流,写入文件到textFile
output = new OutputStreamWriter(new FileOutputStream(textFile), encoding);
//PDFTextStripprt来提取文件
PDFTextStripper stripper = null;
stripper = new PDFTextStripper();
//设置是否排序
stripper.setSortByPosition(sort);
//设置起始页
stripper.setStartPage(startPage);
//设置结束页
stripper.setEndPage(endPage);
//调用PDFTextStripper的writerText提取并输出
stripper.writeText(document, output);
}finally{
//关闭输出流
if(output != null)
output.close();
}
//关闭PDF Document
if(document != null){
document.close();
}
}
public static void main(String[] args) {
// TODO Auto-generated method stub
PdfBox test = new PdfBox();
try{
//获取E:\Lucene项目下的C语言代码.pdf的内容
test.geText("E:\\Lucene项目\\C语言代码.pdf");
}catch(Exception e){
e.printStackTrace();
}
}
}
利用lucene对PDF文本进行内容的解析
标签:
原文地址:http://blog.csdn.net/u012965373/article/details/44886007
踩
(
0
)
赞
(
0
)
举报
评论
一句话评论(
0
)
登录后才能评论!
分享档案
更多>
2021年07月29日 (22)
2021年07月28日 (40)
2021年07月27日 (32)
2021年07月26日 (79)
2021年07月23日 (29)
2021年07月22日 (30)
2021年07月21日 (42)
2021年07月20日 (16)
2021年07月19日 (90)
2021年07月16日 (35)
周排行
更多
36.VUE — 认识 Webpack 和 安装
2021-07-28
【PHP】上传图片翻转问题
2021-07-28
php对数字进行万。亿的转化
2021-07-28
五个 .NET 性能小贴士
2021-07-28
Three.js中显示坐标轴、平面、球体、四方体
2021-07-28
.net 5+ 知新:【1】 .Net 5 基本概念和开发环境搭建
2021-07-27
1.html,css
2021-07-27
基于Docker搭建 Php-fpm + Nginx 环境
2021-07-27
nginx + http + svn
2021-07-27
kubernets kube-proxy的代理 iptables和ipvs
2021-07-26
友情链接
兰亭集智
国之画
百度统计
站长统计
阿里云
chrome插件
新版天听网
关于我们
-
联系我们
-
留言反馈
© 2014
mamicode.com
版权所有 联系我们:gaon5@hotmail.com
迷上了代码!