自动从pdf中提取许多文件的文本

Question

我大约有10,000个pdf文件（conf论文），我需要从这些论文的某些部分（如实验部分）中提取文本并保存在文件中。 有谁知道一个Java工具或某些Python工具可以帮助我做到这一点？

提前致谢

阿育

Answer 1

在发布之前，您是否研究过您的问题？ 我刚刚在Google上搜索并找到了这个Apache项目： http : //pdfbox.apache.org/

Answer 2

对于Java：看看iText

对于python，我将使用PDFMiner

Answer 3

由于这些都是学术论文，因此您还应该真正查看lapdftext

LA-PDFText是一个用于从基于PDF的研究文章中提取准确文本的系统（以及一个可以在需要时提高性能的界面）。 该系统是开源的，并提供了简单的基线功能，可使用开发人员可以自定义的规则从主要研究文章中提取文本。