使用Web收集从Pdf中提取数据

Question

如何使用Web Harvesting从PDF中提取数据？我在页面中获取所有相关的PDF文件，但我无法从那些Pdf中提取数据。我正在使用Web Harvest 2.0版来提取Pdfs网址。请帮忙。

我将如何在网络收获中加入pdfcommand来获取文本？没有运行任何批处理文件还有其他方法吗？

Answer 1

我认为网络收获不足以满足这一需求。您应该使用WGET和pdfbox来获得结果。首先在WGET或Web收获本身的帮助下，通过您的URL将所有PDF下载到一个文件夹中。然后运行pdfbox命令从PDF获取文本。您可以从URL http://pdfbox.apache.org/commandline/获得有关pdfbox的一些知识。您还可以创建批处理文件以按顺序运行这些内容。