Java中的PDF文本提取

Question

我有一個用iText生成並用JasperReports創建的PDF文件（我不知道它是否相關），我想知道是否可以找到一些API或任何東西來查看結構，因為我需要從中提取文本。

• 我嘗試使用iText ， PDFBox和其他Java庫，但是我只能逐行獲取文本，而這不是我所需要的 。
• 我還嘗試了HTML，XML，DOM的轉換，但通過文本提取得到了相同的結果，沒有解析任何結構。
• 如果我嘗試以DOCX格式打開它，我會看到Word識別某種結構，例如，一個區域看起來像PDF中的表格，在DOCX中轉換后，它實際上是一個表格。

如果可能，我需要了解如何創建PDF。 我知道使用PDF並不容易，但是我需要從一些有用的東西開始。 謝謝！

Answer 1

另外一種選擇是，如果您想查看以下鏈接，我們也可以從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可以從PDF文件提取完整的語義表和段落。 它可以生成包含表和段落的所有適當HTML標記的可重排HTML文件。

有關更多詳細信息，請參見此博客。 https://www.pdftron.com/blog/parsing-extraction/table-extraction-and-pdf-to-xml-with-pdfgenie/#a-idpart7aevaluating-accuracy-of-pdf-table-recognition

您可以在此處下載Windows / macOS / Linux PDFGenie命令行工具。 https://www.pdftron.com/downloads/linux