Java

Question

我在 Java 中编写了一个简单的程序，使用 PDFBox 从 PDF 文件中提取单词。它从 PDF 中读取文本并逐字提取。

public class Main {

    public static void main(String[] args) throws Exception {
        try (PDDocument document = PDDocument.load(new File("C:\my.pdf"))) {

            if (!document.isEncrypted()) {

                PDFTextStripper tStripper = new PDFTextStripper();
                String pdfFileInText = tStripper.getText(document);
                String lines[] = pdfFileInText.split("\r?\n");
                for (String line : lines) {
                    System.out.println(line);
                }

            }
        } catch (IOException e){
            System.err.println("Exception while trying to read pdf document - " + e);
        }
    }

}

有没有办法提取不重复的单词？

Answer 1

将每行拆分为 space - line.split(" ")
维护一个HashSet来保存这些词，并不断向其中添加所有词。

HashSet 本质上会忽略重复项。

HashSet<String> uniqueWords = new HashSet<>();

for (String line : lines) {
  String[] words = line.split(" ");

  for (String word : words) {
    uniqueWords.add(word);
  }
}

Answer 2

如果您的目标是删除重复项，那么实现它的一种方法是将数组添加到 java.util.Set 中。所以现在，您只需要做的是：

Set<String> noDuplicates = new HashSet<>( Arrays.asList( lines ) );

不再重复。

Java - 从 PDF 文件中提取不重复的单词

Java - Extracting non duplicate words from PDF files

pdfbox

full-text-indexing