GSON / iText:从PDF1.7 byte[]中提取文本
GSON / iText:从PDF1.7 byte[]中提取文本
提问于 2020-09-24 22:30:33
我正在使用Rest自动化测试-Assured和GSON -并且需要验证在POST请求的响应中返回的PDF文件的内容。文件的内容各不相同，可以包含任何内容，从文本到文本和表格，或者文本和表格和图形。每个页面都可以，而且很可能是不同的字形内容。我只关心pdf页面上的所有文本--无论是纯文本，还是表格中的文本，或者与图像相关(或在图像中)的文本。由于请求返回的所有pdf都是不同的，因此我无法定义搜索区域(据我所知)。我只需要提取页面上的所有文本。
我将pdf数据提取到一个字节数组中，如下所示：
Gson pdfGson = new Gson();
byte[] pdfBytes =
pdfGson.fromJson(this.response.as(JsonObject.class)
.get("pdfData").getAsJsonObject().get("data").getAsJsonArray(), byte[].class);(我已经尝试过byte[]的其他提取方法，但这是我发现的唯一返回有效数据的方法。)这将返回一个非常大的byte[]，如下所示：
[37, 91, 22, 45, 23, ...]当我解析数组时，我遇到了与This Question相同的问题(除了我的pdf是1.7)，我尝试实现可接受的答案，根据我的目的进行调整，并按照iText文档中的解释进行调整：
byte[] decodedPdfBytes = PdfReader.decodeBytes(pdfBytes, new PdfDictionary(), FilterHandlers.getDefaultFilterHandlers());
IRandomAccessSource source = new RandomAccessSourceFactory().createSource(decodedPdfBytes);
ByteArrayOutputStream baos = new ByteArrayOutputStream();
ReaderProperties readerProperties = new ReaderProperties();
// Ineffective:
readerProperties.setPassword(user.password.getBytes());
PdfReader pdfReader = new PdfReader(source, readerProperties);
// Ineffective:
pdfReader.setUnethicalReading(true);
PdfDocument pdfDoc = new PdfDocument(pdfReader, new PdfWriter(baos));
for(int i = 1; i < pdfDoc.getNumberOfPages(); i++) {
String text = PdfTextExtractor.getTextFromPage(pdfDoc.getPage(i));
System.out.println(text);
}这确实解码了pdf页面，并返回文本，但它只是标题文本。不返回任何其他文本。
值得注意的是，在前端，当用户单击按钮生成pdf时，它会返回一个包含下载数据的blob，所以我相对确定元数据是GSA编码的，但我不确定这是否重要。由于敏感材料的原因，我无法分享pdf文档的示例。
在正确的方向上的任何一点都将非常感谢！我花了3天的时间试图找到一个解决方案。
回答 1
Stack Overflow用户
发布于 2020-12-10 21:15:51
对于那些寻找解决方案的人-最终我们走了一条不同的路线。我们从来没有找到解决这个特定问题的方法。
页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://stackoverflow.com/questions/64048654
复制相关文章
相似问题
腾讯云开发者
