PDF Content extrahieren mit JPO

[java_magnet]

Hallo,

ich versuche mit JPOD http://sourceforge.net/projects/jpodlib/ PDF Dateien auszulesen, komme aber nicht weiter.
Gegoogelt hab ich schon, aber nur allgemeines Blabla gefunden ("mit JPOD können Sie..").
Mir ist klar, dass ich irgendwie ein de.intarsys.pdf.content.text.CSTextExtractor Objekt benötige, aber wie lade ich meinen PDF File da rein?
Leider hab ich wenig (gar keine) Ahnung vom PDF Format. Ich benötige nur den unformatierten Text, um einen Lucene Index zu füttern.


edit: Bin für Alternativen offen.

Hilfe,

magnet

 

[kama]

Hallo,

schau mal unter:

http://lucene.apache.org/tika

nach....

MfG
Karl Heinz Marbaise

 

[Murray]

In den Beispielen werde PDF-Dateien so geöffnet:

	protected PDDocument basicOpen(String pathname) throws IOException,
			COSLoadException {
		FileLocator locator = new FileLocator(pathname);
		return PDDocument.createFromLocator(locator);
	}

 

[java_magnet]

In den Beispielen werde PDF-Dateien so geöffnet:

	protected PDDocument basicOpen(String pathname) throws IOException,
			COSLoadException {
		FileLocator locator = new FileLocator(pathname);
		return PDDocument.createFromLocator(locator);
	}

Und dann?
Wie bekomme ich dieses PDDocument nun mit meinem de.intarsys.pdf.content.text.CSTextExtractor verheiratet?

 

[java_magnet]

Hallo,

schau mal unter:

http://lucene.apache.org/tika

nach....

MfG
Karl Heinz Marbaise

Wie konnte ich das nur übersehen?

Sieht ganz gut aus und war einfach zu implementieren.
1. tika downloaden
2. tika mit maven builden
3. PDFBox in den Classpath
4. commons-io-1.4.jar von apache in den Classpath
5. eigene org.xml.sax.ContentHandler implementieren. Eine Methode reicht völlig

public void characters(char[] ch, int start, int length)

fertig.

danke,

magnet

 

[Murray]

Und dann?
Wie bekomme ich dieses PDDocument nun mit meinem de.intarsys.pdf.content.text.CSTextExtractor verheiratet?

Nur für den Fall, dass später jemand über die Suche auf diesen Thread stößt:

Aus dem PDDocument bekommt man mit getPageTree() einen PDPageTree. Daran gibt es eine Methode getKids(); das Resultat ist ein java.lang.Itarable, so dass man sich davon einen Iterator holen kann. So iteriert man die Kind-Elemente des PageTrees und macht eine Fallunterscheidung: ist das Element wiederum ein PDPageTree, dann geht es mit diesem PDPageTree rekursiv weiter. Ist das Element aber kein PDPageTree, sondern ein PDPage, so erzeugt man sich einen CSTextExtractor und einen CSDeviceBasedInterpreter dazu. An diesem Interpreter ruft man dann die Methode process mit dem Parametern page.getContentStream() und page.getResources() auf. Dan kann man mit extractor.getContent() den Text holen.

Das alles findet sich im Beispiel distribution\examples\de\intarsys\pdf\example\extract\text\ExtractText.java