使用pdfclown函数“textextractor”提取文本

Question

我收到一个错误，当使用pdfclown库的textextractor时。我使用的代码是

TextExtractor textExtractor = new TextExtractor(true, true);
for(final Page page : file.getDocument().getPages())
{
  System.out.println("\nScanning page " + (page.getIndex()+1) + "...\n");

  //  Extract the page text!
  Map textStrings = textExtractor.extract(page);

我所犯错误的一部分是

exception in thread 'main' java.lang.exceptionininitializer error
at org.pdfclown.document.contents.fonts.encoding.put
at ......
at ......
<about 30 such lines>
caused by java.lang.nullpointerexception
at java.io.reader.<init><Reader.java:78>
at java.io.inputstreamreader
<about 30 lines more>

我还发现，当我的pdf包含一些子弹时，就会发生这种情况。

• 项目1
• 项目2
• 项目3

请帮助我从这样的pdfs中提取文本。

Answer 1

(以下评论是解决办法：)

使用您的highlighter.java类(在注释中提供了在你的谷歌硬盘上 )和当前PDF主干版本作为jar，可以在没有意外情况下处理PDF，特别是没有NullPointerException (但是高亮部分不在正确位置)。

但是，在查看了共享的google驱动器内容之后，我认为您没有使用PDF，而只是从分发源文件夹编译类并使用它们。

但是，PDF文件包含额外的重新源，但您的设置必然不包括这些资源。因此：

您的highlighter.java必须与类路径中的pdfclown.jar一起使用。