Java中的PDF文本提取

Question

我有一个用iText生成并用JasperReports创建的PDF文件（我不知道它是否相关），我想知道是否可以找到一些API或任何东西来查看结构，因为我需要从中提取文本。

• 我尝试使用iText ， PDFBox和其他Java库，但是我只能逐行获取文本，而这不是我所需要的 。
• 我还尝试了HTML，XML，DOM的转换，但通过文本提取得到了相同的结果，没有解析任何结构。
• 如果我尝试以DOCX格式打开它，我会看到Word识别某种结构，例如，一个区域看起来像PDF中的表格，在DOCX中转换后，它实际上是一个表格。

如果可能，我需要了解如何创建PDF。 我知道使用PDF并不容易，但是我需要从一些有用的东西开始。 谢谢！

Answer 1

另外一种选择是，如果您想查看以下链接，我们也可以从Aspose PDF中提取

https://blog.aspose.com/2018/02/28/extract-text-by-paragraphs-and-convert-files-to-pdf-with-aspose.pdf/

Answer 2

PDFTron PDFGenie可以从PDF文件提取完整的语义表和段落。 它可以生成包含表和段落的所有适当HTML标记的可重排HTML文件。

有关更多详细信息，请参见此博客。 https://www.pdftron.com/blog/parsing-extraction/table-extraction-and-pdf-to-xml-with-pdfgenie/#a-idpart7aevaluating-accuracy-of-pdf-table-recognition

您可以在此处下载Windows / macOS / Linux PDFGenie命令行工具。 https://www.pdftron.com/downloads/linux