通过pdfbox从Linearized PDF中提取文本

Question

我正在使用 org.apache.pdfbox.text.PDFTextStripper 版本 2.0.26。 它适用于大多数 PDF。 但它无法从线性化 PDF 中正确提取文本：提取的文本

有没有办法通过 pdfbox 或使用其他工具从线性化 PDF 中提取文本？

这是一个线性化 PDF 示例

Answer 1

您的示例 PDF 的问题不在于它是线性化的。

The actual problem is that most fonts in your PDF are missing the necessary information for text extraction: They neither have ToUnicode maps nor useful Encoding s, and they are Type 3 fonts which prevents the retrieval of additional information from an associated font program or CIDFont dictionary .

特别是，通常会显式生成此类 PDF，以防止常规文本提取器提取文本。

对于此类 PDF，您唯一的选择就是尝试 OCR。

Answer 2

线性化不应该是文本提取的问题，但并非所有纯文本都如您所料，因为某些结构无法用纯文本描述。 因此尚不清楚您在源文件中显示的哪一部分，但简单的 PDFtotext 似乎没有问题。 我会避免通用 OCR 可能会添加错误。 数学公式最好通过专门的公式转换器进行转换，这些转换器在图像片段上进行 OCR。 https://mathpix.com/ Snip 是商业市场的领导者，很少有竞争对手看到https://www.sciaccess.net/en/InftyReader/

在这里，我们可以看到从 pdf 及其 OCR 提取的字符Yj= γEj 1/θ(Ej)θ−1 .... 这对于这种类型的反转毫无意义。 作为图像的数学表或公式的副本通常是最好的解决方案，否则结果很可能被破坏。 注意一些大括号是如何被识别的，但不是一些关键的。

我们可以通过查看该区域的轮廓来了解为什么会发生这种情况，看起来 CMEX10 是最糟糕的文本定义之一。 θ+ γLj 1/θ(Lj)θ−1