从 java 中的 PDF 中提取文本的最佳方法

Question

我想制作一个能够读取 PDF 文件并解析其内容的程序。 因此我需要使用某种库来提取文本。 我找到了 3 种方法。

1. OCR 库（如 Tesseract）
2. ScanPdf 库（如 iText）
3. 从 PDF 到文本的转换器。

我无法理解它们之间的巨大差异，因为它们最终都会从 PDF 生成一个文本文件。 那么关于这个问题，go 的最佳方法是什么？

Answer 1

PDF 是一种复杂的格式。 如果您打开 PDF 并且您正在盯着一堆文本，那并不能真正告诉您太多。 可能是您正盯着某人决定打包到 PDF 文件中的图像文件。 如果有人扫描了文档并告诉他们的扫描仪“扫描到 PDF”，这是 99%+，如果您有 PNG 或 JPG 并“另存为 PDF”，或者尝试“打印到PDF'这样的事情。

然后 PDF 中没有文本。 有像素。

要将像素转换为文本，这就是 OCR 库的用武之地。这就是他们所做的。 这就是他们所做的一切。 这是一个人工智能的财富，而且容易出错。 没有保证。

然而，PDF 比这更复杂，它不像 PNG/JPG：它更像是 HTML。 您可以在其中放置实际文本。

不过，这有不同的问题。 您可以放置文本块（即“矩形”，带有坐标，然后是应该在 go 内的文本）。 再次很像 HTML：您可以执行以下操作：

<p class="foo">
World!
</p>
<p class="bar">
Hello,
</p>

然后创建 CSS 以便在bar块之后呈现foo （可以像.foo, .bar { display: block; }.foo {float: right}一样简单）。

将 HTML 变成“世界，你好”。 并不是那么棘手，意识到在渲染过程中，您最终会看到“Hello, World”，因此编写返回“Hello. World！”的代码，这要复杂得多。

同样的问题也适用于 PDF。 对于简单的 PDF，提取其中的原始文本并不太难，但请注意，即使是稍微复杂的 PDF，文本也可能杂乱无章。

iText 试图给你足够的力量，至少，提供后者：给你一个完整的层次分解。 它返回'这里是一个文本框，这里是它的定位，这里是里面的文本。 现在这里是另一个文本框，等等'。 它不会返回一个大字符串。

换句话说：答案很大程度上取决于您拥有哪些 PDF/您希望能够阅读哪些 PDF，以及它们的复杂程度。 如果是扫描，则需要 OCR 库。 如果它们很简单，一个基本的 pdf2text 转换器就可以了。 如果您想尝试考虑内部带有 forms 和可以打开和关闭的“弹出窗口”的精美定位 PDF，oof。 可能所有这些工具都不够用，而且你注册了很多人周的努力。

Answer 2

您还可以尝试另一个名为Free Spire.PDF 的免费 API 用于 Java从 ZBCD1B68617A3B5A10 文档中提取文本。 在提取文本的过程中，可以选择提取PDF中的所有文本，或者从特定区域或特定页面提取文本。

了解package

教程中你可以找到代码片段

Answer 3

肯定有嵌入文本的 PDF，它不仅仅是像素。

这取决于 PDF 是否是“真实的” PDF（即您可以突出显示文本并将其复制并粘贴到其他地方）或者 PDF 是否是扫描图像。

对于扫描的图像，您必须使用 OCR API。 所有主要的云提供商都有 OCR API（即 Amazon Textract、Google Document AI、Microsoft Form Recognizer 等）。 If it's a true PDF, then I've found the pdf.js library ( https://mozilla.github.io/pdf.js/ ) quite helpful in doing a direct text extraction.

只要知道这样做只会让您获得页面上的文字，并且还有很多工作要做才能以编程方式跨许多文档获取键/值数据字段。

如果您对更强大的东西感兴趣，这也是我的初创公司正在研究的东西（ www.sensible.so/ ）！