如何使用Selenium WebDriver提取PDF中关联指定文本的目标内容

嘿，这个需求我之前处理过，其实核心是把Selenium的浏览器操控能力和PDFBox的PDFTextStripper文本读取能力结合起来，咱们一步步来实现：

步骤1：准备依赖 #

首先得确保你的项目引入了PDFBox的依赖（毕竟PDFTextStripper是它的核心类），如果用Maven的话，在pom.xml里加这段：

<dependency>
    <groupId>org.apache.pdfbox</groupId>
    <artifactId>pdfbox</artifactId>
    <version>2.0.32</version> <!-- 建议用最新稳定版 -->
</dependency>

步骤2：用Selenium处理PDF的访问（可选，针对需要登录/浏览器上下文的场景） #

如果你的PDF需要登录后才能查看，或者藏在某个网页链接里，先用Selenium完成前置操作（比如登录、导航到目标页面），然后获取PDF的访问地址：

WebDriver driver = new ChromeDriver();
// 先完成登录或导航到包含PDF的页面
driver.get("https://example.com/your-page-with-pdf");

// 定位PDF链接并获取它的URL
String pdfUrl = driver.findElement(By.linkText("查看账单PDF")).getAttribute("href");

// 如果PDF直接在当前标签页打开，直接拿当前URL就行
// String pdfUrl = driver.getCurrentUrl();

步骤3：读取PDF的全部文本内容 #

接下来用PDFTextStripper读取PDF的完整文本，这里不需要下载PDF到本地，直接通过URL获取输入流即可：

// 创建URL对象并打开输入流
URL url = new URL(pdfUrl);
InputStream inputStream = url.openStream();

// 加载PDF文档并读取文本
try (PDDocument document = PDDocument.load(inputStream)) {
    PDFTextStripper stripper = new PDFTextStripper();
    String pdfText = stripper.getText(document);
    System.out.println("PDF完整文本：\n" + pdfText);

    // 步骤4：提取目标金额
    // 用正则匹配"Total Monthly Service Charge $xxx.xx"格式的内容
    String regex = "Total Monthly Service Charge \\$(\\d+\\.\\d{2})";
    Pattern pattern = Pattern.compile(regex);
    Matcher matcher = pattern.matcher(pdfText);

    if (matcher.find()) {
        String amount = matcher.group(1);
        System.out.println("提取到的服务费金额：$" + amount);
    } else {
        System.out.println("未找到目标文本对应的金额");
    }
} catch (IOException e) {
    e.printStackTrace();
} finally {
    driver.quit();
}

处理特殊情况：文本换行或格式混乱 #

如果目标文本和金额不在同一行（比如“Total Monthly Service Charge”单独一行，金额在下一行），调整正则让它能匹配任意空白字符（包括换行）：

// 用\\s+匹配空格、换行、制表符等任意空白
String regex = "Total Monthly Service Charge\\s+\\$(\\d+\\.\\d{2})";
// 加上DOTALL模式让.能匹配换行符（可选，根据实际情况调整）
Pattern pattern = Pattern.compile(regex, Pattern.DOTALL);

处理需要权限的PDF #

如果PDF需要登录权限，直接用url.openStream()会返回403，这时候把Selenium里的登录Cookie传递给URLConnection就行：

// 从WebDriver获取所有登录Cookie
Set<Cookie> cookies = driver.manage().getCookies();

// 创建URL连接并设置Cookie
URLConnection connection = url.openConnection();
for (Cookie cookie : cookies) {
    connection.addRequestProperty("Cookie", cookie.getName() + "=" + cookie.getValue());
}

// 带着Cookie打开输入流
InputStream inputStream = connection.getInputStream();

内容的提问来源于stack exchange，提问作者Sourabh Roy