Question

这是我第一次在这里发帖，很抱歉，如果我没有正确地做到这一点。我正在尝试编写一个程序，在pdfs文件夹中找到某些模式，然后使用PDFBox将它们打印为列表。目前，它会在某些文件中找到模式匹配，但不是所有文件都匹配，即使我检查过，每个文件中应该有一个。它还会在打印前返回错误，上面写着“java.io.IOException：Error：Header不包含versioninfo”。我想知道这是不是它没有返回一些模式匹配的原因？如果是，我该如何解决？整个try / catch / finally部分对我来说有点困惑，所以也许它与此有关。（我删除了一些问题不必要的代码）

public class PDF
{
    public static void main(String[] args) throws IOException

    {
        String number;
        String name;
        String state;
        String numberR =  "\\d{3}([.-])?\\d{3}\\1?\\d{4}|\\(\\d{3}\\)([.-])?\\d{3}\\2?\\d{4}|\\(\\d{3}\\)\\s\\d{3}([.-])?\\d{4}";
        String stateR = "[,]\\sAL\\s|[,]\\sMT\\s|[,]\\sAK\\s|[,]\\sNE\\s|[,]\\sAZ\\s|[,]\\sNV\\s|[,]\\sAR\\s|[,]\\sNH\\s|[,]\\sCA\\s|[,]\\sNJ\\s|[,]\\sCO\\s|[,]\\sNM\\s|[,]\\sCT\\s|[,]\\sNY\\s|[,]\\sDE\\s|[,]\\sNC\\s|[,]\\sFL\\s|[,]\\sND\\s|[,]\\sGA\\s|[,]\\sOH\\s|[,]\\sHI\\s|[,]\\sOK\\s|[,]\\sID\\s|[,]\\sOR\\s|[,]\\sIL\\s|[,]\\sPA\\s|[,]\\sIN\\s|[,]\\sRI\\s|[,]\\sIA\\s|[,]\\sSC\\s|[,]\\sKS\\s|[,]\\sSD\\s|[,]\\sKY\\s|[,]\\sTN\\s|[,]\\sLA\\s|[,]\\sTX\\s|[,]\\sME\\s|[,]\\sUT\\s|[,]\\sMD\\s|[,]\\sVT\\s|[,]\\sMA\\s|[,]\\sVA\\s|[,]\\sMI\\s|[,]\\sWA\\s|[,]\\sMN\\s|[,]\\sWV\\s|[,]\\sMS\\s|[,]\\sWI\\s|[,]\\sMO\\s|[,]\\sWY\\s|s";
        File folder = new File("/Users/bob/Desktop/");
        File[] listOfFiles = folder.listFiles();
        for (File file : listOfFiles) 
        {
            if (file.isFile())
            {
                name = file.getName();
                state = findInfo(stateR, name);
                number = findInfo(numberR, name);
                System.out.print(name + "       " + number + "     " + state.substring(1));
                System.out.println();
            }
        }
    }

    public static String findInfo(String regex,String name) throws IOException
    {
        File input = new File("/Users/bob/Desktop/" + name);
        PDDocument pd = null;
        try 
        {
            pd = PDDocument.load(input);
            StringBuilder sb = new StringBuilder();
            PDFTextStripper stripper = new PDFTextStripper();
            stripper.setStartPage(1);
            sb.append(stripper.getText(pd));
            Pattern p = Pattern.compile(regex);
            Matcher m = p.matcher(sb);

            while (m.find())
            {
                return m.group();
            }

        } 
        catch (Exception e)
        {
            e.printStackTrace();
            return " ";
        }
        finally
        {   
            if (pd != null)
            {
                pd.close();
            }
        }
        return " ";
     }      
}

编辑：也许它与PDFBox如何读取文件有关？我尝试打印出一个不起作用的文件并得到了这个：

“

         !"#    $%&'(! (

）* $

    +   )
,-

“/！01 %%4分之23$五万六千六百六十七 “ 4美元％8％85％8美元 - ％，（＃58“89 $” ...

Answer 1

我遇到了同样的问题，原因是您在这里读取了错误的pdf文件

PDDocument.load(input);

当您尝试加载其他pdf文件时，PDFBox会引发该错误

Answer 2

您正在读取（ Desktop ）目录中的 ALL 种文件。
如果该目录中恰好有一个非PDF文件，
尝试读取下一个文件时将发生此错误。
即使此（下一个）文件是有效的PDF。

可能的解决方案：

从该目录中删除非PDF格式的文件。

或
在调用PDDocument.load(input);
＃之前过滤掉非PDF文件（例如使用Regex），其中input是任何给定时间的有效PDF文件的名称。

Answer 3

我遇到了同样的问题。我通过使用带有LOG4J＆amp;的PDFBox的maven依赖来解决它。 SLF4J记录。必须将log4j.properties配置为项目中的src。首先确保所有文档都包含.pdf扩展名。

使用PDFBox时，为什么会出现此错误“java.io.IOException：Error：Header不包含versioninfo”？

3 个答案: