從pdf中獲取html內容url（jsoup）

Question

我正在製作一個軟件，該軟件應該從提供的url中檢索網頁的標題並嘗試使用JSoup來實現該目標。 的聯繫大多來自YouTube和JSoup完美的作品和他們在一起，但偶爾的輸入會以概率密度函數，像這樣的形式：http://www.ninsheetmusic.org/download/pdf/2066 這時候，我得到以下異常：

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) 

現在我把它JSoup不處理pdf，但有什麼我可以在這裏做，以避免這種異常，並獲得網頁標題？

這是我現在使用的代碼：

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這一點。這不是HTML。我查看了源代碼，並且收到的數據看起來像這樣：
%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= ...

您必須使用庫解析它。看完後，它看起來像Apache PDFBox是你想要的。此代碼是從文檔和未經考驗的，但它看起來像你想要做什麼：

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裝Apache PDFBox的:)