解析pdf并识别短语所在的页面

Question

我想以编程方式解析pdf文件，查找某些短语并找出每个短语所在的页码。这可能吗（我明白pdf不像文本文件）？是这样，有没有可以提供帮助的图书馆？

Answer 1

您可以在Apache Lucene project找到的Apache Tika包含PDFBox，它将提取您可以使用它的文本。