我正在使用Apache PDFBox从科学论文中提取文本。我可以从PDF文件中提取文本。
以下是从PDF中提取纯文本的代码。例如,要提取的数据:https://www.aclweb.org/anthology/P/P16/P16-2015.pdf。
我只想获取标题和正文,而不是第一页上的引用和作者姓名 - Yanhui Gu 1 Zhenglu Yang 2∗ .... - > {xingtian.shi }@sap.com
。
PDFTextStripper pdfStripper = null;
PDDocument pdDoc = null;
COSDocument cosDoc = null;
int count = 1;
String directory = "Result";
File folder = new File("data");
File[] listOfFiles = folder.listFiles();
for (File file : listOfFiles) {
if (file.isFile()) {
try {
String t;
String text = getText(file);
t=text.replaceAll("\n|\r|\t", "");
printFile(directory+"\\data"+count+".txt",t);
count++;
} catch (IOException e) {}
}
}