java - 如何在Java中将文件夹中的多个pdf解析为文本

Question

我有一个包含大量 pdf 的文件夹，我需要将它们全部转换为 txt 并将这些文本文件保存在另一个文件夹中。我想使用 java 来实现此目的。

我有这段代码来解析 pdf，但它一次只能处理一个 pdf，而且我需要处理一个包含数千个 pdf 的文件夹。

 PDFTextStripper pdfStripper = null;
 PDDocument pdDoc = null;
 COSDocument cosDoc = null;
 File file = new File("C:/my.pdf");

 try {
     PDFParser parser = new PDFParser(new FileInputStream(file));
     parser.parse();
     cosDoc = parser.getDocument();
     pdfStripper = new PDFTextStripper();
     pdDoc = new PDDocument(cosDoc);
     pdfStripper.setStartPage(1);
     pdfStripper.setEndPage(20);
     String parsedText = pdfStripper.getText(pdDoc);
    }catch (IOException e) {
     // TODO Auto-generated catch block
     e.printStackTrace();
 } 

有什么想法吗？

Answer 1

你可以尝试这样的事情

PDFTextStripper pdfStripper = null;
PDDocument pdDoc = null;
COSDocument cosDoc = null;
String parsedText=""; // append the text to this every time
File folder = new File("/yourFolder"); // put all the pdf files in a folder
File[] listOfFiles = folder.listFiles(); // get all the files as an array

    for (File file : listOfFiles) { // cycle through this array 
        if (file.isFile()) { // for every file
             try { //do the same 
                 PDFParser parser = new PDFParser(new FileInputStream(file));
                 parser.parse();
                 cosDoc = parser.getDocument();
                 pdfStripper = new PDFTextStripper();
                 pdDoc = new PDDocument(cosDoc);
                 pdfStripper.setStartPage(1);
                 pdfStripper.setEndPage(pdDoc.getNumberOfPages()); // if always till the last page
                 parsedText += pdfStripper.getText(pdDoc) +  System.lineSeparator(); // append the text to the String
                }catch (IOException e) {
                 // TODO Auto-generated catch block
                 e.printStackTrace();
               } 
       }
  }