Как я могу извлечь данные из PDF с помощью Web Harvesting? Я получаю все соответствующие URL-адреса PDF-файлов на странице, но мне не удалось извлечь данные из этих Pdf. Я использую Web Harvest версии 2.0 для извлечения URL-адреса Pdfs. Пожалуйста помоги.
как мне включить pdfcommand в веб-сбор, чтобы получить текст? Есть ли другой способ сделать это без запуска какого-либо командного файла?
Думаю, сбора паутины для этого недостаточно. Вы должны использовать WGET и pdfbox, чтобы получить результат. Сначала загрузите все PDF-файлы через ваш URL-адрес в папку с помощью WGET или самого веб-ресурса. Затем запустите команду pdfbox, чтобы получить текст из PDF-файлов. Вы можете получить некоторые сведения о pdfbox по URL-адресу http://pdfbox.apache.org/commandline/. Вы также можете создать пакетный файл для запуска этих вещей по порядку.
