用Java生成的PDF报告上的文本提取

Question

我有超过6500名学生的学术成绩PDF。 我没有访问实际数据库的权限，我梦dream以求的是从这个漫长而又格式合理的文档中提取数据。 此数据将用于分析和可视化目的。

这是本文档的前5页〜1 MB 。

请帮我

1. 是否可以提取此数据？ 如果是的话，编写代码需要花费多少时间？
2. 一些工具和库最好使用JAVA。
3. 链接到教程或指南。

提前致谢。

Answer 1

是否可以提取此数据？

是。 PDF包含从文档中提取文本数据所需的所有信息。 此外，表格列似乎在每个页面上的相同位置开始。

一种方法是提取文本而不破坏布局。 对于所讨论的文档而言，这是非常明智且容易的，因为它是从纯文本文件开始创建的。 然后，您可以逐行分析该文本。

如果是的话，编写代码需要花费多少时间？

这取决于编码人员的技能。 文本提取将使用某些PDF库完成，因此仅保留对文本的分析，并且在您的文件看起来很简单的情况下。 在第一天就可以进行概念验证，而整个过程不超过一周。

一些工具和库最好使用JAVA。

有多个开源库（我想到的是iText，PDFBox，PDFClown；一定要了解各自的许可条件），此外，还有许多开源库也提供文本提取功能。

链接到教程或指南。

教程/指南/样本通常可以在所选库的网站上找到。

我的建议是尝试几个这样的库，并检查它们的文本提取输出是否符合原始布局，它们的性能是否足够，它们的资源要求是否可以接受以及它们的许可条件是否适合您。

（以下是与最初提供的PDF有关的原始答案，该PDF是为防止文本提取而构建的）

是否可以提取此数据？

虽然您的文档的格式看上去确实不错 ，但是严格来说，它不包含任何文本。 您可能已经尝试过从PDF查看器复制和粘贴，并且对它无法提取任何内容感到失望。

您的PDF代替了文本绘制操作（通常或多或少地从中提取文本），而是使用了路径绘制操作，即线条，曲线等，并且它们对每个单个字母使用许多操作来绘制文本。 顺便说一下，这解释了文件的巨大大小。

因此，无法立即从文档中提取文本。 您要么必须浏览内容，要么识别绘制操作以创建单个字母，然后从中创建文本； 否则您必须将PDF渲染为位图并应用OCR。