java - 从 URL 解析 Pdf、txt 或 docx 文件中的文本，无需在 Java 8 中下载

Question

我需要能够使用给定的网址解析在线文件中包含的文本，即http://website.com/document.pdf。

我正在制作一个搜索引擎，它基本上可以告诉我搜索到的单词是否在某个在线文件中，并检索该文件的 URL，因此我不需要下载该文件而只需阅读它。

我一直在寻找一种方法，并发现了一些带有 InputStream 和 OpenConnection 的东西，但并没有真正做到。

我正在使用 jsoup 来爬行网站以检索 URL，并且我尝试使用 Jsoup 方法解析它，但它不起作用。

那么最好的方法是什么？

编辑:

我希望能够做这样的事情:

File in = new File("http://website.com/document.pdf");
Document doc = Jsoup.parse(in, "UTF-8");
System.out.println(doc.toString());

Answer 1

您可以使用 URL 而不是文件来访问 URL。因此，使用 Apache Tika，您应该能够以这种方式获取内容的字符串。

import org.apache.tika.parser.pdf.PDFParser;
import org.apache.tika.metadata.Metadata;
import org.apache.tika.parser.ParseContext;
import org.apache.tika.sax.BodyContentHandler;
import org.xml.sax.ContentHandler;

public class URLReader {
    public static void main(String[] args) throws Exception {

        URL url = new URL("http://website.com/document.pdf");
        ContentHandler contenthandler = new BodyContentHandler();
        Metadata metadata = new Metadata();
        PDFParser pdfparser = new PDFParser();
        pdfparser.parse(is, contenthandler, metadata, new ParseContext());

        System.out.println(contenthandler.toString());
    }
}