pdf - 带有快照的全文搜索引擎

Question

是否可以使用 PDF Box 获取 PDF 文档页面的快照？我想使用关键字匹配 pdf 文件中的页面，然后显示找到该文本的页面的快照。任何人都可以指出我应该从哪里开始吗？我计划为此使用 Lucene 和 PDF 框，以及 C#。

Answer 1

是的，您可以使用 pdfbox 执行此操作。像这样的东西：

pdf = PDDocument.load(inputStream);
// this gets you page 1
byte[] bytes = getImageBytes(pdf, 1);
// write out bytes as an image file

您可以使用 PDFTextStripper.getText() 提取文本

等等但是我认为你会从 xpdf 中得到更好的结果——它更成熟并且支持更多的 pdf 品种。