java pdfbox头版本信息错误
我使用PDFbox解析那个pdf文档。它抛出异常,表示找不到标题版本信息。有什么想法吗
我认为版本是1.3,当我将每个字节转换为char时,我看到了它。 链接是http://www.selab.isti.cnr.it/ws-mate/example.pdf
此处为方法和输出代码:
public String PDFtest(String textLink) throws IOException{
PDFParser parser;
String parsedText = null;
PDFTextStripper pdfStripper;
PDDocument pdDoc;
COSDocument cosDoc;
PDDocumentInformation pdDocInfo;
StringBuilder sd=new StringBuilder();
URL link;
try {
link = new URL(textLink);
URLConnection urlConn = link.openConnection();
BufferedInputStream in = null;
in = new BufferedInputStream(urlConn.getInputStream());
byte data[] = new byte[1024];
in.read(data, 0, 1024);
parser = new PDFParser(in);
parser.parse();
cosDoc = parser.getDocument();
pdfStripper = new PDFTextStripper();
pdDoc = new PDDocument(cosDoc);
parsedText = pdfStripper.getText(pdDoc);
} catch (MalformedURLException ex) {
Logger.getLogger(HTMLhelper.class.getName()).log(Level.SEVERE, null, ex);
}
catch (NumberFormatException e){
System.out.println("hata");
}
return parsedText;
}
例外情况:
Exception in thread "main" java.io.IOException: Error: Header doesn't contain versioninfo
at org.apache.pdfbox.pdfparser.PDFParser.parseHeader(PDFParser.java:317)
at org.apache.pdfbox.pdfparser.PDFParser.parse(PDFParser.java:173)
at ParsingMachine.HTMLhelper.PDFtest(HTMLhelper.java:99)
at ParsingMachine.tester.main(tester.java:18)
Java Result: 1
# 1 楼答案
您必须合并非pdf格式的文件。请仔细检查列表中是否有pdf以外的文件
# 2 楼答案
在我的例子中,我在一个目录中迭代文件
Windows在任何目录中都有一个
Thumbs.db
文件这干扰了pdf文件处理
应用筛选器仅拾取PDF文件(
*.pdf
)会有所帮助干杯
# 3 楼答案
首先将数据的前导千字节读入字节数组:
然后您希望PDFBox能够处理剩余的字节
最有可能的是,实际的PDF头包含在您从PDFBox解析器保留的前导字节中
因此,只需允许PDFBox读取所有数据即可
# 4 楼答案
正在分析的文件夹已过期。看起来是空的,所以默认为拇指。db。我记得我特别跳过了这个,但我猜不是在文件夹为空的时候
更新目录已修复
(与murphy1310的情况类似,但目录为空,即此处没有PDF作为线索)