将PDF转换为XML-XSL-Java？

Question

如何在XSL中将PDF转换为XML并捕获其结构/样式？

Answer 1

我曾经将PDF到XML的转换描述为试图将汉堡包转换为母牛。 这是逆向工程中的一项练习。 PDF在表示文本方面有很大的不同。 在最坏的情况下，您所拥有的只是扫描图像（在这种情况下，您实际上是在进行OCR）。 如果幸运的话，您可以收集文本字符串的集合，并在页面上显示它们的坐标，但没有其他结构指示。

如果PDF的格式易于理解，则有一些工具可以做得很好（通常会生成Microsoft Word）。 Google“ PDF到Word的转换”。 试试看（距离我这样做已经有一段时间了）； 不要尝试自己写。 当然，从Word到XML相对“简单”。

Answer 2

PDFTextStream可以很容易地将PDF文档中的文本提取为XML。 一个特别的PDF - > XML方法包含PDFTextStream - XMLOutputTarget -它的源是包含在PDFTextStream这样你就可以轻松地调整，以满足您的要求。

可以使用代码示例入门，或者您可以更深入地了解如何使用PDFTextStream提取PDF文本 。

（公开：我受雇于PDFTextStream的制造商Snowtide。希望该指针在任何情况下都可以提供帮助。）

Answer 3

我认为Michael Kay在将PDF-> XML转换描述为“ 试图将汉堡包转换为母牛 ”时就钉牢了。

过去，我已经完成了很多PDF到XML的转换。 我很幸运，因为我有不错的PDF来转换，不需要OCR。 我的大部分问题都与表格和图形有关。 像迈克尔建议的那样先转换为Word可能会有所帮助。

我所做的是使用Xpdf中的 pdftotext将PDF转换为文本，然后将文本转换为XML。 （我使用Omnimark进行文本-> XML转换，但是您可能使用Java或Python进行转换。转换为基本结构然后使用XSLT（2.0！）进行调整可能是最简单的。