java pdfbox头版本信息错误

Question

我使用PDFbox解析那个pdf文档。它抛出异常，表示找不到标题版本信息。有什么想法吗

我认为版本是1.3，当我将每个字节转换为char时，我看到了它。 链接是http://www.selab.isti.cnr.it/ws-mate/example.pdf

此处为方法和输出代码：

 public String PDFtest(String textLink) throws IOException{
        PDFParser parser;
        String parsedText = null;
        PDFTextStripper pdfStripper;
        PDDocument pdDoc;
        COSDocument cosDoc;
        PDDocumentInformation pdDocInfo;


    StringBuilder sd=new StringBuilder();
    URL link;
    try {
        link = new URL(textLink);
        URLConnection urlConn = link.openConnection();
        BufferedInputStream in = null;
        in = new BufferedInputStream(urlConn.getInputStream());
        byte data[] = new byte[1024];
        in.read(data, 0, 1024);

    parser = new PDFParser(in);
    parser.parse();
    cosDoc = parser.getDocument();
    pdfStripper = new PDFTextStripper();
    pdDoc = new PDDocument(cosDoc);
    parsedText = pdfStripper.getText(pdDoc);
    } catch (MalformedURLException ex) {
        Logger.getLogger(HTMLhelper.class.getName()).log(Level.SEVERE, null, ex);
    }
    catch (NumberFormatException e){
        System.out.println("hata");
    }

    return parsedText;



}

例外情况：

Exception in thread "main" java.io.IOException: Error: Header doesn't contain versioninfo
    at org.apache.pdfbox.pdfparser.PDFParser.parseHeader(PDFParser.java:317)
    at org.apache.pdfbox.pdfparser.PDFParser.parse(PDFParser.java:173)
    at ParsingMachine.HTMLhelper.PDFtest(HTMLhelper.java:99)
    at ParsingMachine.tester.main(tester.java:18)
Java Result: 1

Answer 1

您必须合并非pdf格式的文件。请仔细检查列表中是否有pdf以外的文件

Answer 2

在我的例子中，我在一个目录中迭代文件
Windows在任何目录中都有一个Thumbs.db文件
这干扰了pdf文件处理
应用筛选器仅拾取PDF文件（*.pdf）会有所帮助
干杯

Answer 3

首先将数据的前导千字节读入字节数组：

in.read(data, 0, 1024);

然后您希望PDFBox能够处理剩余的字节

parser = new PDFParser(in);
parser.parse();

最有可能的是，实际的PDF头包含在您从PDFBox解析器保留的前导字节中

因此，只需允许PDFBox读取所有数据即可

Answer 4

正在分析的文件夹已过期。看起来是空的，所以默认为拇指。db。我记得我特别跳过了这个，但我猜不是在文件夹为空的时候

更新目录已修复

（与murphy1310的情况类似，但目录为空，即此处没有PDF作为线索）