Question

用java实现pdf文件内容读取及解析时如何解压缩stream到endstream之间的压缩数据

第一步直接读取pdf中的内容，得到格式如下内容：
%PDF-1.4
%〕抛
8 0 obj
<</Length 150/Filter/FlateDecode>>stream
x淢尰?E鲈吴v滥"??%Cオ
?$h轱7@剱[鏫咛哺psW磺5侬疚T鱬郧x曔!.?
q?t衰?[糔C镂o{c鏄?艪D崘k囿鯜D葧鬕c聝nGwl汹k?輙3|禽娫[塉弁埏挪?怄4?
endstream
endobj
可以看到stream与endstream之间的内容为乱码，这是一串经过压缩的数据，现在的问题是如何将这一串数据解压缩？我试过用java.util.zip中的类来解压缩，但总是报异常：
java.util.zip.ZipException: incorrect header check
好像第一步还需对stream到endstream中的内容进行处理，然后才能解压缩，但是始终不知如何操作。有没有类似经验的人给支个招？

Answer 1

用纯java来解析pdf文件???
没有这么简单的,现在还没有完美的办法,一些第三方的jar包也不尽人意.

追问

没那么复杂，我需要的只是文本内容，需要做的就是把上面提到的内容解析

追答

说的就是这个意思,你得到了文本内容,不相当于是解析出来了嘛...
pdf不是text,你要是真能解析出来,我也想向你学习...毕竟做一个pdf解析器还挺麻烦.

追问

目前，我从网上查的结果是，以上乱码内容是用zip方式压缩的，而java中提供了zip解压缩的方法，不过现在的问题是这些乱码数据可能缺少些头数据导致解压缩时发生异常。
如果你有类似的经验，希望可以帮忙解决。

追答

pdf和zip没有关系的.我没有类似的经验,也不想泼你冷水.但事实就是这样.

追问

老兄你没明白，
pdf有4部分组成：文件头，文件体，交叉引用表，和文件尾。
文件体是由序列化的间接对象组成，中间那些乱码是对原数据按照类似zip的压缩算法处理后得到的，现在只需要对这些数据按照类似zip的解压缩算法解码后就能得到实际的数据。不是说pdf和zip有关系。看来你比我还不清楚啊。

Answer 2

下载PDFStreamdumper可以解析一部分的stream部分，你试试看。
我现在正在做这方面的解析论文，等完全解析后根你分享。

追问

终于有回答的靠谱的人了。这个我已经实现了，通过Java提供的类直接解析，但是不是所有的都能成功解析，可能算法没完全实现也可能是文档加密原因。另外我也已经放弃自己实现抽取PDF内容了，虽然最终自己实现的可以成功抽取一些PDF的内容，但是不是所有文档都可以。最终选择通过对PDFBox进行代码修改来满足自己的需求。

Answer 3

你是用什么方式读取获得的stream

追问

string或byte[]存储

追答

我的意思是你用的什么类库对dbf文件进行解析的

追问

形如：
FileInputStream fis = new FileInputStream（"example.pdf");
ByteArrayOutputStream res = new ByteArrayOutputStream();
byte[] buf = new byte[1024];
int readLen = 0;
while((readLen = fis.read(bytes)) > 0) {
res.write(buf, 0, readLen);
}
byte[] text = res.toByteArray();

追答

建议还是使用第三方的开源解析pdf的类库吧，比如PDFBox

追问

用pdfbox得到的是纯文本，我需要的不止文本，还要文本的字体信息