Discussion :

[syrine01]

Bonsoir,

Je cherche comment spécifier la récupération des données depuis un document pdf (plus de 50 pages) et les enregistrées dans la BD . c'est- à- dire, j'ai dans le document des paragraphes comme ceci:

1. Patchs et mises à jour logicielles

1.1 Installer les mises à jour, les correctifs et les logiciels de sécurité supplémentaires (non évalués)

Applicabilité du profil:

Level 1

Description:

Les correctifs périodiques sont publiés pour les logiciels inclus, soit en raison de défauts de sécurité, soit pour inclure des fonctionnalités supplémentaires ....

Donc j'en sais pas comment créer un algorithme qui récupérer le grand titre seulement (1 Patching and Software Updates) et stocker dans une variable, le sous titre (1.1 Install Updates, Patches and Additional Security Software (Not Scored)) et le mettre dans une autre variable.

D’après une recherche sur l'internet ,j'ai trouvé la librairie "pdfbox" qui facilite l'extraction des données et le parcoure du document PDF.

Alors , j'ai appliqué cette biblio et j'ai bien extraire les données du fichier FDF. Voilà mon code:

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
 
public Boolean ExtractPDF() {
 
        try {
            String filename = "CIS_Ubuntu_12.04_LTS.pdf";
            String directory = "src/main/resources/static/pdf";
            String filepath = Paths.get(directory, filename).toString();
 
             System.out.println("*********** path file pdf "+filepath);
 
            PDDocument document = null;
            document = PDDocument.load(new File(filepath));
            document.getClass();
            if (!document.isEncrypted()) {
 
                PDFTextStripperByArea stripper = new PDFTextStripperByArea();
                stripper.setSortByPosition(true);
                PDFTextStripper Tstripper = new PDFTextStripper();
                String st = Tstripper.getText(document);
                System.out.println("********Text:***** " +st); // j'ai le texte du document PDF
                     }
 
                    } catch (Exception e) {
                      e.printStackTrace();
                   }
        return true; 
  }

J'ai eu des problèmes dans la spécification des données à récupérer?

Merci de m'aider à trouver la bonne solution,

[syrine01]

a t-il une proposition d'une solution pour savoir comment récupérer des données spécifiques depuis un document PDF.
Merci,

[Gugelhupf]

Salut,

Le format PDF sert à représenter des informations, y extraire des informations est une très tâche ingrate.
Je crains hélas que tu vas devoir extraire le texte brut du PDF, et utiliser des regex.
Tu as essayé de voir si l'information que tu recherches était disponible autrement ? Un web service, un fichier Excel/CSV, un fichier brut ou une page web ?

A+

[syrine01]

Salut,

Merci pour ta réponse.

Mon problème n'est pas l'extraction du texte but depuis un document PDF car j'ai déjà fais à travers le code que j'ai mis ici. Mais comment chercher une chaîne dans le document puis récupérer le contenu qu'elle contient.
je dois développer mon propre web service REST (Jax-rs).
En effet, le document représente toujours les chaines suivants:

*(non évalués)

*Applicabilité du profil:

*Level 1

*Description:

J'en sais pas le "regex", merci de m'envoyer des tutoriels explicatifs.

[tchize_]

Comme on te l'a dit, extraire des donnée du pdf c'est ingrat. Je dirait même c'est fragile, degueulasse et au final t'a honte du code que t'obttiens. Pour te donnée une idée, dans le PDF:

1) ce n'est pas parce que les mot se suivent à l'écran qu'ils sont dans le même ordre dans le texte brut, tu aura peut être le texte mélangé, coupé en blocs, ....
2) le pdf n'a pas de notion de paragraphe, juste des lettre à afficher à des endroits.
3) la solution que tu obtiendra sera dépendante des des pdfs en question, la moindre variation dans leur génération et le travail sera à refaire.


La première chose à faire c'est d'extraire le texte (ou essayer). Ensuite seulement tu pourra envisager de le parcourir pour l'analyser.