PDFBox を使うと、PDF から簡単に文字列を取得することができる。
PDDocument document = PDDocument.load(in); ByteArrayOutputStream baos = new ByteArrayOutputStream(); Writer output = new OutputStreamWriter(baos, encoding); PDFTextStripper stripper = new PDFTextStripper(); stripper.writeText(document, output); return baos.toString(encoding);
Maven2 でこれしたいなら、以下を pom.xml に書く。
<dependency> <groupId>pdfbox</groupId> <artifactId>pdfbox</artifactId> <version>0.7.3</version> </dependency>
一応、文字化けもしないみたい。