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
相关产品推荐

