Java-将PDF字节数组转换为可读字符串

Question

我正在尝试从附加到电子邮件的PDF获取内容文本。

我正在使用ews-java-api获取附件

public void getAttachments(Item item)throws Exception{
    EmailMessage message = EmailMessage.bind(service, item.getId(), new PropertySet(BasePropertySet.FirstClassProperties, ItemSchema.MimeContent, EmailMessageSchema.Attachments ) );
    for(Attachment attachment:message.getAttachments()) {
        FileAttachment newAttachment =(FileAttachment) attachment;
        newAttachment.load();
        newAttachment.getFileName();
        newAttachment.getContentType();
        System.out.println(new String(newAttachment.getContent()));
    }
}

但是，这返回，例如

"%PDF-1.4
%����
4 0 obj
<<
/Subject (label, DEFAULT format)
/Producer (Apache FOP Version 0.95)
/CreationDate (D:20161015002945+01'00')
>>
endobj
5 0 obj
<<
  /N 3
  /Length 12 0 R
  /Filter /FlateDecode
>>
stream
 ��e����mi ]�P����`/ ���u}q�|^R��,g+���K�k)/����C_|�R����ax�8�t1C^7nfz�D����p�柇��u�$��/�ED˦L L��[���B�@�������ٹ����ЖX�!@~ (*   {d+��}�G�͋љ���ς�}W�L��$�cGD2�Q���Z4" ...

上面的截断是为了简短的。

是否有一种将其转换为代码中可读文本的方法（无需写入光盘？

注意：我可以使用pdfbox从此创建一个PDF文件，但是根据我的理解，需要写入磁盘。我需要在内存中执行此操作。

Answer 1

您可以尝试Tika Parser

<dependency>
    <groupId>org.apache.tika</groupId>
    <artifactId>tika-parsers</artifactId>
    <version>LATEST_VERSION</version>
</dependency>

示例代码

Tika tikaParser = new Tika();
tikaParser.setMaxStringLength(-1);
Metadata metadata = new Metadata();
InputStream inputStream = new ByteArrayInputStream(newAttachment.getContent());
String content = tikaParser.parseToString(inputStream, metadata);