我在Java中使用PdfBox从PDF文件中提取文本。提供的某些输入文件无效,PDFTextStripper会暂停这些文件。是否有一种干净的方法来检查提供的文件是否确实是有效的PDF?
答案 0 :(得分:22)
以下是我在NUnit测试中使用的内容,必须针对使用Crystal Reports生成的多个PDF版本进行验证:
public static void CheckIsPDF(byte[] data)
{
Assert.IsNotNull(data);
Assert.Greater(data.Length,4);
// header
Assert.AreEqual(data[0],0x25); // %
Assert.AreEqual(data[1],0x50); // P
Assert.AreEqual(data[2],0x44); // D
Assert.AreEqual(data[3],0x46); // F
Assert.AreEqual(data[4],0x2D); // -
if(data[5]==0x31 && data[6]==0x2E && data[7]==0x33) // version is 1.3 ?
{
// file terminator
Assert.AreEqual(data[data.Length-7],0x25); // %
Assert.AreEqual(data[data.Length-6],0x25); // %
Assert.AreEqual(data[data.Length-5],0x45); // E
Assert.AreEqual(data[data.Length-4],0x4F); // O
Assert.AreEqual(data[data.Length-3],0x46); // F
Assert.AreEqual(data[data.Length-2],0x20); // SPACE
Assert.AreEqual(data[data.Length-1],0x0A); // EOL
return;
}
if(data[5]==0x31 && data[6]==0x2E && data[7]==0x34) // version is 1.4 ?
{
// file terminator
Assert.AreEqual(data[data.Length-6],0x25); // %
Assert.AreEqual(data[data.Length-5],0x25); // %
Assert.AreEqual(data[data.Length-4],0x45); // E
Assert.AreEqual(data[data.Length-3],0x4F); // O
Assert.AreEqual(data[data.Length-2],0x46); // F
Assert.AreEqual(data[data.Length-1],0x0A); // EOL
return;
}
Assert.Fail("Unsupported file format");
}
答案 1 :(得分:8)
你可以找到文件(或字节数组)的mime类型,所以你不要愚蠢地依赖扩展。我是用光圈的MimeExtractor(http://aperture.sourceforge.net/)做的,或者我前几天看到的是一个图书馆(http://sourceforge.net/projects/mime-util)
我使用光圈从各种文件中提取文本,不仅仅是pdf,而且必须调整pdf例如(光圈使用pdfbox,但是当pdfbox失败时我添加了另一个库作为后备)
答案 2 :(得分:6)
由于您使用PDFBox,您只需执行以下操作:
PDDocument.load(file);
如果PDF损坏等,它将失败并显示异常。
如果成功,您还可以使用.isEncrypted()
答案 3 :(得分:6)
这是一个改编的NinjaCross代码的Java版本。
/**
* Test if the data in the given byte array represents a PDF file.
*/
public static boolean is_pdf(byte[] data) {
if (data != null && data.length > 4 &&
data[0] == 0x25 && // %
data[1] == 0x50 && // P
data[2] == 0x44 && // D
data[3] == 0x46 && // F
data[4] == 0x2D) { // -
// version 1.3 file terminator
if (data[5] == 0x31 && data[6] == 0x2E && data[7] == 0x33 &&
data[data.length - 7] == 0x25 && // %
data[data.length - 6] == 0x25 && // %
data[data.length - 5] == 0x45 && // E
data[data.length - 4] == 0x4F && // O
data[data.length - 3] == 0x46 && // F
data[data.length - 2] == 0x20 && // SPACE
data[data.length - 1] == 0x0A) { // EOL
return true;
}
// version 1.3 file terminator
if (data[5] == 0x31 && data[6] == 0x2E && data[7] == 0x34 &&
data[data.length - 6] == 0x25 && // %
data[data.length - 5] == 0x25 && // %
data[data.length - 4] == 0x45 && // E
data[data.length - 3] == 0x4F && // O
data[data.length - 2] == 0x46 && // F
data[data.length - 1] == 0x0A) { // EOL
return true;
}
}
return false;
}
一些简单的单元测试:
@Test
public void test_valid_pdf_1_3_data_is_pdf() {
assertTrue(is_pdf("%PDF-1.3 CONTENT %%EOF \n".getBytes()));
}
@Test
public void test_valid_pdf_1_4_data_is_pdf() {
assertTrue(is_pdf("%PDF-1.4 CONTENT %%EOF\n".getBytes()));
}
@Test
public void test_invalid_data_is_not_pdf() {
assertFalse(is_pdf("Hello World".getBytes()));
}
如果你想出任何失败的单元测试,请告诉我。
答案 4 :(得分:5)
你必须尝试这个......
public boolean isPDF(File file){
file = new File("Demo.pdf");
Scanner input = new Scanner(new FileReader(file));
while (input.hasNextLine()) {
final String checkline = input.nextLine();
if(checkline.contains("%PDF-")) {
// a match!
return true;
}
}
return false;
}
答案 5 :(得分:4)
Pdf文件以“%PDF”开头(在TextPad或类似文件中打开一个并查看)
你有什么理由不能用StringReader读取文件并检查一下吗?
答案 6 :(得分:3)
我正在使用我在此处和其他网站/帖子中提出的一些建议来确定pdf是否有效。我故意破坏了pdf文件,不幸的是,许多解决方案都没有检测到文件已损坏。
最后,在修改了API中的不同方法之后,我尝试了这个:
PDDocument.load(file).getPage(0).getContents().toString();
这没有抛出异常,但确实输出了这个:
WARN [COSParser:1154] The end of the stream doesn't point to the correct offset, using workaround to read the stream, stream start position: 171, length: 1145844, expected end position: 1146015
就个人而言,如果文件已损坏我想要抛出异常以便我自己处理它,但似乎我正在实现的API已经以自己的方式处理它们。
为了解决这个问题,我决定尝试使用提供热门语句的类(COSParser)来解析文件。我发现有一个名为PDFParser的子类,它继承了一个名为“setLenient”的方法,它是键(https://pdfbox.apache.org/docs/2.0.4/javadocs/org/apache/pdfbox/pdfparser/COSParser.html)。
然后我实施了以下内容:
RandomAccessFile accessFile = new RandomAccessFile(file, "r");
PDFParser parser = new PDFParser(accessFile);
parser.setLenient(false);
parser.parse();
这为我损坏的文件抛出了一个Exception,正如我想的那样。希望这可以帮助别人!
答案 7 :(得分:2)
也许我来不及回答。但你应该看看蒂卡。它在内部使用PDFBox Parser来解析PDF的
您只需要导入tika-app-latest * .jar
public String parseToStringExample() throws IOException, SAXException, TikaException
{
Tika tika = new Tika();
try (InputStream stream = ParsingExample.class.getResourceAsStream("test.pdf")) {
return tika.parseToString(stream); // This should return you the pdf's text
}
}
这将是一个更清洁的解决方案。您可以在此处参考Tika用法的更多详细信息:https://tika.apache.org/1.12/api/
答案 8 :(得分:1)
Roger Keays的回答是错误的!因为并非版本1.3中的所有PDF文件都不是由EOL终止的。 以下答案适用于所有未损坏的pdf文件:
Observable
答案 9 :(得分:1)
一般来说,我们可以这样,任何pdf版本都会以%% EOF结束,所以我们可以像下面一样检查。
public static boolean is_pdf(byte[] data) {
String s = new String(data);
String d = s.substring(data.length - 7, data.length - 1);
if (data != null && data.length > 4 &&
data[0] == 0x25 && // %
data[1] == 0x50 && // P
data[2] == 0x44 && // D
data[3] == 0x46 && // F
data[4] == 0x2D) { // -
if(d.contains("%%EOF")){
return true;
}
}
return false;
}
答案 10 :(得分:0)
这是一种使用可选的空格字符检查来检查%%EOF
是否存在的方法。您可以传入File
或byte[]
对象。在某些PDF版本中,空白字符的限制较少。
public boolean isPdf(byte[] data) {
if (data == null || data.length < 5) return false;
// %PDF-
if (data[0] == 0x25 && data[1] == 0x50 && data[2] == 0x44 && data[3] == 0x46 && data[4] == 0x2D) {
int offset = data.length - 8, count = 0; // check last 8 bytes for %%EOF with optional white-space
boolean hasSpace = false, hasCr = false, hasLf = false;
while (offset < data.length) {
if (count == 0 && data[offset] == 0x25) count++; // %
if (count == 1 && data[offset] == 0x25) count++; // %
if (count == 2 && data[offset] == 0x45) count++; // E
if (count == 3 && data[offset] == 0x4F) count++; // O
if (count == 4 && data[offset] == 0x46) count++; // F
// Optional flags for meta info
if (count == 5 && data[offset] == 0x20) hasSpace = true; // SPACE
if (count == 5 && data[offset] == 0x0D) hasCr = true; // CR
if (count == 5 && data[offset] == 0x0A) hasLf = true; // LF / EOL
offset++;
}
if (count == 5) {
String version = data.length > 13 ? String.format("%s%s%s", (char) data[5], (char) data[6], (char) data[7]) : "?";
System.out.printf("Version : %s | Space : %b | CR : %b | LF : %b%n", version, hasSpace, hasCr, hasLf);
return true;
}
}
return false;
}
public boolean isPdf(File file) throws IOException {
return isPdf(file, false);
}
// With version: 16 bytes, without version: 13 bytes.
public boolean isPdf(File file, boolean includeVersion) throws IOException {
if (file == null) return false;
int offsetStart = includeVersion ? 8 : 5, offsetEnd = 8;
byte[] bytes = new byte[offsetStart + offsetEnd];
InputStream is = new FileInputStream(file);
try {
is.read(bytes, 0, offsetStart); // %PDF-
is.skip(file.length() - bytes.length); // Skip bytes
is.read(bytes, offsetStart, offsetEnd); // %%EOF,SP?,CR?,LF?
} finally {
is.close();
}
return isPdf(bytes);
}