用Java生成的PDF報告上的文本提取

Question

我有超過6500名學生的學術成績PDF。 我沒有訪問實際數據庫的權限，我夢dream以求的是從這個漫長而又格式合理的文檔中提取數據。 此數據將用於分析和可視化目的。

這是本文檔的前5頁〜1 MB 。

請幫我

1. 是否可以提取此數據？ 如果是的話，編寫代碼需要花費多少時間？
2. 一些工具和庫最好使用JAVA。
3. 鏈接到教程或指南。

提前致謝。

Answer 1

是否可以提取此數據？

是。 PDF包含從文檔中提取文本數據所需的所有信息。 此外，表格列似乎在每個頁面上的相同位置開始。

一種方法是提取文本而不破壞布局。 對於所討論的文檔而言，這是非常明智且容易的，因為它是從純文本文件開始創建的。 然后，您可以逐行分析該文本。

如果是的話，編寫代碼需要花費多少時間？

這取決於編碼人員的技能。 文本提取將使用某些PDF庫完成，因此僅保留對文本的分析，並且在您的文件看起來很簡單的情況下。 在第一天就可以進行概念驗證，而整個過程不超過一周。

一些工具和庫最好使用JAVA。

有多個開源庫（我想到的是iText，PDFBox，PDFClown；一定要了解各自的許可條件），此外，還有許多開源庫也提供文本提取功能。

鏈接到教程或指南。

教程/指南/樣本通常可以在所選庫的網站上找到。

我的建議是嘗試幾個這樣的庫，並檢查它們的文本提取輸出是否符合原始布局，它們的性能是否足夠，它們的資源要求是否可以接受以及它們的許可條件是否適合您。

（以下是與最初提供的PDF有關的原始答案，該PDF是為防止文本提取而構建的）

是否可以提取此數據？

雖然您的文檔的格式看上去確實不錯 ，但是嚴格來說，它不包含任何文本。 您可能已經嘗試過從PDF查看器復制和粘貼，並且對它無法提取任何內容感到失望。

您的PDF代替了文本繪制操作（通常或多或少地從中提取文本），而是使用了路徑繪制操作，即線條，曲線等，並且它們對每個單個字母使用許多操作來繪制文本。 順便說一下，這解釋了文件的巨大大小。

因此，無法立即從文檔中提取文本。 您要么必須瀏覽內容，要么識別繪制操作以創建單個字母，然后從中創建文本； 否則您必須將PDF渲染為位圖並應用OCR。