java - 如何使用 Apache POI 从 PDF 中提取原始文本？

Question

我需要从几个文件中提取原始文本，其中一些是 PDF，其中一些是 DOC 文件格式。

我必须使用 Apache POI 来执行此操作。现在，我找到了很多关于处理 word 文件（提取和写入等）的文档，但我找不到任何关于从 PDF 中提取的文档。

我认为 Apache POI 具有这种能力是错误​​的吗？

如果是这样，任何人都可以推荐允许从多种文件格式中提取文本的类似 Java 程序吗？

如果没有，任何人都可以指出我应该查看的文档和/或类/方法吗？

预先感谢您的任何帮助。

Answer 1

是的，您认为 POI 会这样做是错误的。Apache POI适用于 Microsoft Office 文件格式，而 PDF 不适用。

您要么想要直接使用Apache PDFBox，要么想要使用 Apache Tika，它可以同时处理 Microsoft Office 和 PDF 文件格式（以及许多其他格式）。