Question

我正在尝试创建一个可以读取pdf并从中提取某些信息的爬虫（以保存在数据库中）。

但是，我不确定使用哪种方法/工具。

我最初的想法是使用PhantomJs，但在阅读了很多内容后，它似乎没有能力。如果我想使用Phantomjs，我必须下载pdf，将其转换为HTML页面，然后使用Phantom抓取它，这似乎是一项繁琐的任务，应该能够更快地完成。

所以我的问题是，如何从在线资源中读取pdf并收集这些信息呢？

Answer 1

如果您不受编程语言的限制，请考虑使用iText。它可以轻松地从给定的PDF文档中提取所有文本。它还提供实用程序方法来查找文件中的正则表达式，返回确切的位置（坐标）和匹配的文本。

iText适用于c＃和java爱好者。

File inputFile = new File("");
PdfDocument pdfDocument = new PdfDocument(new PdfReader(inputFile));
String content = PdfTextExtractor.getTextFromPage(pdfDocument.getPage(1));

查看网站了解详情。 http://developers.itextpdf.com/content/itext-7-examples/itext-7-content-extraction-and-redaction

爬行者读pdf

1 个答案: