如何在不下载的情况下从pdf和doc文件中提取文本
How to extract text from pdf and doc file without downloading
在问这个问题之前我已经搜索了很多。我有一个程序(java) 抓取一些网页并试图找到一些.doc 和 .pdf 文件，它可以下载它们，但只有一个 .pdf 或 .doc 最多可以覆盖 3-4mb，这不好，因为有数百万个文件.. 所以我决定在不下载整个文件的情况下提取他们的文本。基本上，我需要在线查看 pdf 或 doc 文件并只下载它们的文本，但我不知道该怎么做。如果需要我可以提供我的代码。
编辑：这个问题现在可以关闭了，因为我有了想法和（没有）解决方案。
感谢您的帮助。
那些有问题的降级是怎么回事？
那是不可能的。下载字节后才能开始提取文档。
（除非您也可以控制服务器，否则您可以在服务器端进行提取并提供 txt 下载 link）
从 Internet 上的网站读取文件而不下载它是不可能的。
如果您可以控制服务器，您可以编写一个 Web 服务来按需解析文件并提取您感兴趣的部分，然后将其发送给客户端。
如果没有，并且如果您要解决更具挑战性的问题，您可以编写一个 HTTP 客户端开始下载文件并即时解析它，只下载您需要提取的部分（ s) 你需要。这可能可行（或不值得），也可能不可行，具体取决于 "interesting" 位在文件中的位置。如果在大多数情况下它们接近开始，那么您也许可以显着减小下载大小。
有关如何完成此操作的详细说明可能超出了 Whosebug 答案长度的指南范围。
在问这个问题之前我已经搜索了很多。我有一个程序(java) 抓取一些网页并试图找到一些.doc 和 .pdf 文件，它可以下载它们，但只有一个 .pdf 或 .doc 最多可以覆盖 3-4mb，这不好，因为有数百万个文件.. 所以我决定在不下载整个文件的情况下提取他们的文本。基本上，我需要在线查看 pdf 或 doc 文件并只下载它们的文本，但我不知道该怎么做。如果需要我可以提供我的代码。
编辑：这个问题现在可以关闭了，因为我有了想法和（没有）解决方案。 感谢您的帮助。
那些有问题的降级是怎么回事？
那是不可能的。下载字节后才能开始提取文档。
（除非您也可以控制服务器，否则您可以在服务器端进行提取并提供 txt 下载 link）
从 Internet 上的网站读取文件而不下载它是不可能的。
如果您可以控制服务器，您可以编写一个 Web 服务来按需解析文件并提取您感兴趣的部分，然后将其发送给客户端。
如果没有，并且如果您要解决更具挑战性的问题，您可以编写一个 HTTP 客户端开始下载文件并即时解析它，只下载您需要提取的部分（ s) 你需要。这可能可行（或不值得），也可能不可行，具体取决于 "interesting" 位在文件中的位置。如果在大多数情况下它们接近开始，那么您也许可以显着减小下载大小。
有关如何完成此操作的详细说明可能超出了 Whosebug 答案长度的指南范围。