如何从pdf文献里抽取 标题、作者、摘要和关键字等索引信息呢？

[heyingying]

要建一个文献数据库，
因为文献数目太大了，
希望能实现自动提取文献标题、作者等索引信息入库，
下载了pdfbox，但不知如何取提取这些信息，
请高手们帮帮我！
慷慨送分！

[Student02370236]

在org.pdfbox.pdmodel这个包中有一个叫PDDocumentInformation的类.通过它可以取得:
getAuthor() :取得作者名称
getCreationDate() :取得创建日期
getCreator() :取得创建者
getKeywords() :取得密码
getTitle() :取得标题
...

[Student02370236]

也可以通过这样的方式来取得PDDocumentInformation...
PDDocument doc=PDDocument.load("/res/hello.pdf");
PDDocumentInformation pdfInfo=doc.getDocumentInformation();

[heyingying]

我也用到上面的这些方法了，但是得到的东西基本上是null。
得到的值跟右键点击pdf文档，得到的文档信息的内容是一样的，
但是这些文档的信息一般都是null。
我指的是要从pdf文档里面提取文献信息的内容，与文档信息有一点的区别

[Student02370236]

当用鼠标右击PDF文件并且选择属性时,在弹出的对话框中有一个选项卡叫PDF,在那里就记录了PDF的这些信息,可以通过pdfbox的API来操作的

[Student02370236]

注意不是我们通常所说的文件的那些基本信息哟!PDF的那些信息是属于PDF文件自身的,而不是普通文件的,PDF的这些信息也可以通过Acrobat软件来查看

[Student02370236]

PDDocument doc=PDDocument.load("./res/hello.pdf");
PDDocumentInformation pdfInfo=doc.getDocumentInformation();
System.out.println(pdfInfo.getSubject()+" "+pdfInfo.getAuthor());

我上面这段程序就正常读出了PDF的信息,而不是null

[luoqt]

关注

[heyingying]

我需要的不是右键点击pdf文件可以查看到的信息，
而是文件的相关内容，比如一篇论文，有标题、作者、摘要，从pdf文件内容进行这些信息的抽取

[Student02370236]

我又去查了一下PDFBOX的API，我想可以通过PDPage or PDPageNode这两个类的对象来获取内容，不过前提是你的这些PDF文献要有比较严格的格式，不然会出问题，取出来的文本不是你想要的。。。

[sos110]

我们用java来解决实际问题。java技术交流，讨论java的技术细节和最新技术。欢迎中高级程序员以及渴望学习java技术的初学者加入讨论。QQ群：3001581

[candy84]

这里能帮你解决你的问题！
来踩一下呀,
http://bbs.oneedu.cn/bbs

[hero222]

学习！