如何使用Apache POI從PDF中提取原始文本？

Question

我需要從幾個文件中提取原始文本，其中一些是PDF，一些是DOC文件格式。我不得不使用Apache POI來做到這一點。現在，我在處理word文件（提取和寫入等）時發現了很多文檔，但我無法找到任何有關從PDF中提取文檔的文檔。

我錯誤地認爲Apache POI具有此功能嗎？

如果是這樣，任何人都可以推薦類似的Java程序，允許從多種文件格式中提取文本？

如果沒有，任何人都可以指向我應該查看的文檔和/或類/方法嗎？

非常感謝您的幫助。

Answer 1

是的，你錯在相信POI會這樣做。 Apache POI適用於Microsoft Office文件格式，其中PDF不是。

您要麼直接使用Apache PDFBox，要麼使用我們的Apache Tika，它們可以同時執行Microsoft Office和PDF文件格式（以及其他許多格式）。