从pdf文件中提取文本

时间:2016-02-23 05:53:55

标签: java regex pdf encryption

我正在尝试在pdf文件中提取“[”和“]”之间的文本,但我无法这样做bcos文件似乎是加密的。我得到一些不是可读格式的符号..

public class ITextReadDemo {

      public static void main(String[] args) {
          try {
              PdfReader reader = new PdfReader("D:\\temp\\1.pdf");
              System.out.println("This PDF has "+reader.getNumberOfPages()+" pages.");
              String page = PdfTextExtractor.getTextFromPage(reader, 2);
              System.out.println("Page Content:\n\n"+page+"\n\n");
              System.out.println("Is this document tampered : "+reader.isTampered());
              System.out.println("Is this document encrypted : "+reader.isEncrypted());

          } catch (IOException e) {
              e.printStackTrace();
          }
      }
}

但我得到了这个例外:

Exception in thread "main" java.lang.NoClassDefFoundError: org/bouncycastle/asn1/ASN1OctetString
    at com.itextpdf.text.pdf.PdfEncryption.<init>(PdfEncryption.java:147)
    at com.itextpdf.text.pdf.PdfReader.readDecryptedDocObj(PdfReader.java:775)
    at com.itextpdf.text.pdf.PdfReader.readDocObj(PdfReader.java:1152)
    at com.itextpdf.text.pdf.PdfReader.readPdf(PdfReader.java:512)
    at com.itextpdf.text.pdf.PdfReader.<init>(PdfReader.java:172)
    at com.itextpdf.text.pdf.PdfReader.<init>(PdfReader.java:161)
    at pdfexc.ITextReadDemo.main(ITextReadDemo.java:19)
Caused by: java.lang.ClassNotFoundException: org.bouncycastle.asn1.ASN1OctetString
    at java.net.URLClassLoader.findClass(Unknown Source)
    at java.lang.ClassLoader.loadClass(Unknown Source)
    at sun.misc.Launcher$AppClassLoader.loadClass(Unknown Source)
    at java.lang.ClassLoader.loadClass(Unknown Source)
    ... 7 more

我也尝试了以下方式。它正在从pdf文件中读取内容,但是当我显示它时,它不是可读格式

    void readfile() {
        Path path = Paths.get("D:\\temp\\1.pdf");
        Scanner scanner = new Scanner(path);
        while(scanner.hasNextLine()){
            String line = scanner.nextLine();
                System.out.println(line);
        }
}

所有我需要的是pdf文件(不是文本文件)中的内容,因为它是可读格式,因此我可以使用正则表达式提取文本b / w [和] ..如果您知道解决方案,请帮助我。

1 个答案:

答案 0 :(得分:1)

您的问题的原因已由异常描述:

Exception in thread "main" java.lang.NoClassDefFoundError: org/bouncycastle/asn1/ASN1OctetString

IText使用BouncyCastle库进行加密和签名等安全相关任务,您似乎没有在您的类路径中拥有该库,或者至少没有所需的版本库。

不幸的是,不要说你使用哪个iText版本,所以我不知道哪个是BouncyCastle版本。