You need to enable JavaScript to run this app. 使用Selenium Java结合PDFBox读取浏览器PDF无法获取标题的问题求助
优惠活动
大模型
产品
解决方案
定价
更多

使用Selenium Java结合PDFBox读取浏览器PDF无法获取标题的问题求助

解决方案

PDF的标题属于文档元数据,存储在文件头部信息区域,不会出现在正文文本中,你之前仅用PDFTextStripper提取正文内容自然无法获取,可通过PDFBox提供的元数据接口读取,方案如下:

核心实现逻辑

  • 优先读取PDF内置元数据标题:拿到PDDocument实例后,调用getDocumentInformation()获取文档信息对象,再通过getTitle()即可读取内置标题
  • 兜底兼容:如果PDF制作时未填写元数据标题,可直接通过Selenium的driver.getTitle()获取浏览器打开PDF时的标签页标题作为替代

修改后完整代码

public String readPDFInURL() throws EmptyFileException, IOException {
    WebDriver driver = new FirefoxDriver();
    // 加载目标PDF文件
    driver.get("file:///C:/Users/admin/Downloads/theleader.pdf");
    // 兜底方案:直接读取浏览器标签页显示的PDF标题
    String browserPdfTitle = driver.getTitle();
    
    URL url = new URL(driver.getCurrentUrl());
    InputStream is = url.openStream();
    BufferedInputStream fileToParse = new BufferedInputStream(is);
    PDDocument document = null;
    String pdfTextContent = null;
    String pdfMetaTitle = null;
    try {
        document = PDDocument.load(fileToParse);
        // 原有逻辑:提取PDF正文文本内容
        pdfTextContent = new PDFTextStripper().getText(document);
        // 新增逻辑:读取PDF元数据中的标题
        pdfMetaTitle = document.getDocumentInformation().getTitle();
    } finally {
        if (document != null) {
            document.close();
        }
        fileToParse.close();
        is.close();
        driver.quit(); // 用完关闭驱动,避免后台进程残留
    }
    // 优先返回元数据标题,为空则返回浏览器标签标题
    String finalPdfTitle = pdfMetaTitle != null ? pdfMetaTitle : browserPdfTitle;
    System.out.println("读取到的PDF标题:" + finalPdfTitle);
    // 按需返回正文内容即可,标题可单独存储使用
    return pdfTextContent;
}

注意事项

  • 若仅需要获取PDF标题不需要正文内容,可删除PDFTextStripper相关代码,直接读取元数据即可,性能更高
  • 遇到加密PDF时,需要先调用document.openProtection()传入解密参数后再读取元数据
  • 上述接口均适配PDFBox 2.0及以上版本,无需额外引入其他依赖

内容的提问来源于stack exchange,提问作者bharathi tk

相关产品推荐
方舟 Agent Plan

超全模态模型 × Harness 升级,最新支持 Deepseek-V4.1-Flash、GLM-5.3 系列、Doubao-Seedream-5.0-pro、Kimi-K3 (部分), 限时 9.9 元起

最近更新时间:2026.10.18 22:15:04