从PDF中提取时如何删除不必要的文本

时间:2016-10-21 14:57:49

标签: java pdf pdfbox exact-match

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) {}
        }
    }

0 个答案:

没有答案