2

В процессе создания приложения понадобилось чтение .pdf с сайта. Каким образом можно вычленить текст файла?

При помощи Jsoup я могу спарсить страницу со ссылками, а iText позволит мне прочитать pdf, но что поможет "открыть" pdf, не скачивая его на устройство?

1
  • 1
    Это в принципе невозможно, скачать придётся. 1 дек 2019 в 17:43

2 ответа 2

1

Если перевести на русский язык, вы хотите получить возможность парсинга PDF файла в потоке, то есть последовательно, а не всего файла в целом.

К сожалению, в большинстве случаем это невозможно. Первая версия стандарта ISO-32000-1, описывающего PDF формат вообще говорится:

Conforming readers should read a PDF file from its end.

Ну то есть читать надо с конца...

Во второй версии немного по другому, но не менее безрадостно:

With the exception of linearized PDF files, all PDF files should be read using the trailer and cross-reference table as described in the following subclauses. Reading a non-linearized file in a serial manner is not reliable because of the way objects are to be processed after an incremental update. (See 6.3.2, "Conformance of PDF processors".)

В общем в итоге, вам по любому придется сначала прочитать/скачать весь PDF файл и только потом провести его разбор/парсинг.

1

Если вы пишите клиентское приложение - то никак нельзя прочесть файл не скачав его.

Однако вы можете воспользоваться онлайн-сервисами которые скачают его за вас и выдадут вам представление в виде plaintext из которого вы сможете вычленить нужные вам слова. Со стороны клиента вы вообще с pdf не будете работать в этом случае.

В конце концов вы можете такой сервис сами написать и использовать его в клиентском приложении.

Ваш ответ

By clicking “Отправить ответ”, you agree to our terms of service and acknowledge that you have read and understand our privacy policy and code of conduct.

Всё ещё ищете ответ? Посмотрите другие вопросы с метками или задайте свой вопрос.