Javaを使ってPDFからテキストを抽出する（Apache PDFBox 編） - デベルマン

最新の情報を利用する場合は、キャッシュレス・消費者還元事業（https://cashless.go.jp/）のページより入手してください。 処理実装今回読み取りに使用するPDFは、以下のように店舗が一覧化されています。この一覧から、「No.」「都道府県」「市区町村」「事業所名（屋号）」「業種」「業種（サブカテゴリ）」「還元率」の7種類の情報を個別の文字列として取得しましょう。 ちなみにいろいろひっかかるこの一覧。「伊達の牛タン本舗」の各店でスペース有り無しが混在しているのが細かいけどすごく気になるし、No.10001にはおそらく間違いが２つ存在してます。まず気になる文字化けはハイフン。その上で「だし廊」と「だし廊 -NIBO-」は別店舗。この一覧の作者は詰めが甘いように思う。。 こんにちは！だし廊本店です！ 遅くなり申し訳ございません！ 今週の限定の献立表が出来ました！ 今週もだし廊でお待

[ene0kcal]

みんな大好きcsv。でも私はtsvの方が好き。テキスト中にtabがない事を確認したらtsv。

[to-ke-i]

Scalaから同じようにPDFBox使って、CSV形式で出力してみたりしてたけど結果サイズは40MB超えだった。抽出せずにPDF内で探すとかかなり難しいよなぁ。

[herlequin]

総件数がすごいですね。