Wczytywanie z pliku PDF, wybranego tekstu

Cześć,
Ogólnie uczę się programować w Javie, mam 6 miesięcy nauki własnej i zaliczony Bootcamp z programowania w Javie , chciałbym zrobić projekt który będzie mi pomagał w aktualnej pracy nie związanej z programowaniem, aczkolwiek chciałbym zmienić branże na programowanie.
Opis programu:
Chciałbym zrobić program który wczytuje z faktur w formacie PDF pewien ciąg liczb w zakresie od 4 do 15 są to numery katalogowe towarów, następnie ilości(sztuki) które są w zakresie od 1 do 1000, na razie bez cen bo może być skomplikowane, zapisuje te dane do pliku .csv, a najlepiej jakby się udało do formatu .epp.

Wczytywanie faktur w pdf myślałem użyć pdfbox ale nie ma tam możliwości sortowania danych, czy możecie podsunąć jakieś propozycje?

Jak sortowanie jest dla Ciebie problemem, to odpuść. Dekomponować złożony problem na podproblemy to raczej nie uczyli?

Sortowanie nie jest problemem tylko chodzi mi czy pdfbox będzie dobrym narzędziem do odczytu z pdf-a że wczytam fakturę, wysortuje te dwie pozycje czyli numer katalogowy i sztuki i zapisze do pliku, bo jak szukałem w internecie to strony można tylko wyodrębnić a nie liczby, chyba że zapisać jako text i na tekście operować?

Jezyk833 napisał(a):

Sortowanie nie jest problemem tylko chodzi mi czy pdfbox będzie dobrym narzędziem do odczytu z pdf-a że wczytam fakturę, wysortuje te dwie pozycje czyli numer katalogowy i sztuki i zapisze do pliku, bo jak szukałem w internecie to strony można tylko wyodrębnić a nie liczby, chyba że zapisać jako text i na tekście operować?

Zrób program testowy, cóż tu dywagować. Widze że kodem się nie chwalisz, na razie "szukałeś w internecie".
Walcz, najwyżej polegniesz, ale czegoś własnymi pazurami się nauczysz. Życie programisty jest pełne nieudanych podejść, nie miałeś jeszcze takowych?

Zacząłem pisać, zobaczymy co z tego wyjdzie:)

Jezyk833 napisał(a):

Zacząłem pisać, zobaczymy co z tego wyjdzie:)

I nie "zgaduj" kodu, a na pewno czytaj dokumentację

To staram się robić bo nie problem coś skopiować tylko wiedzieć do czego to służy i jak działa

Zależy jakie te PDF'y masz. Istnieją pliki generowane które można chyba otworzyć edytorem tekstowym i masz język znaczników i jest fajnie, masz pdfy które strony swoje traktują jak obraz i tego nie przeparsujesz niczym. To czy Ci się uda czy nie zależy od pochodzenia tych faktur. Od tego bym zaczął, czy wgl. te pliki nadają się do obróbki.

PDFBox jest ok. https://pdfbox.apache.org/1.8/cookbook/textextraction.html
Można odczytywać cały text, wyszykiwać fragmenty, odczytać kawałek oznaczony jakąś pozycją, jeśli przerabiasz faktury, które są tworzone w jakims systemie to szanse na odczytanie textów łatwo są prawie 100%. Gorzej jak są to skany, ale nawet wtedy OCR daje rade często (tylko, że to juznie pdfbox).

Oto co zrobiłem dotyczas:
Mam takie pytanie:

1. Czemu nie zapisuje mi się ten plik po filtrowaniu liter i znaków, jak ten zapis do formatu .csv wyjmę z pętli for na koniec to też się nie zapisuje.
2. Po filtracji jest sporo przerw miedzy znakami czy to między liniami czy to w linii, jest możliwość po filtracji scalenia tekstu żeby była linia pod linią?

import java.io.BufferedWriter;
import java.io.File;
import java.io.FileOutputStream;

import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.text.PDFTextStripper;
import java.io.IOException;
import java.io.OutputStreamWriter;

public class Test {

	public static void main(String[] args) throws IOException {
		
		 PDDocument document = null;
		 BufferedWriter writer = null;
		 
		 try {
			 File input = new File("C:\\Users\\Desktop\\INVOICE.40016008.pdf");  //wczytuje plik
			 File output = new File("C:\\Users\\Desktop\\Faktury1.csv"); //zapis plik po konwersji 
			 document = PDDocument.load(input);
			 
			 System.out.println("Ilość stron: " + document.getNumberOfPages());
			 
			 PDFTextStripper tStripper = new PDFTextStripper();
			 tStripper.	setSortByPosition(true);
	         String pdfFileInText = tStripper.getText(document);
	      	         
	         String lines[] = pdfFileInText.split("[a-zA-Z@/:]");  // filtruje litery oraz znaki niepotrzebne
	         for (String line : lines) { 
	        	 writer = new BufferedWriter(new OutputStreamWriter(new FileOutputStream(output)));
	    		 tStripper.writeText(document, writer);
	        	System.out.println(line);        	
	         }
	        
		 } catch (Exception e){
	         e.printStackTrace();
	     } finally {
			if (document != null) {
				document.close();
			}
			if (writer != null) {
				writer.close();
			}
	     }

	}	
}