適用於Java的高級PDF解析器

Question

我想從Java中提取PDF文件中的不同內容：

• 完整的可見文字
• 圖片
• 鏈接

是否也可以獲得以下內容？

• 文檔元標記，如標題，描述或作者
• 只是頭條新聞
• 如果文檔包含表單，則輸入元素

我不需要操縱或渲染PDF文件。 哪個庫最適合這種目的？

UPDATE

好的，我試過PDFBox：

Document luceneDocument = LucenePDFDocument.getDocument(new File(path));
Field contents = luceneDocument.getField("contents");
System.out.println(contents.stringValue());

但輸出為空。 雖然字段“摘要”是可以的。

下一個片段工作正常。

PDDocument doc = PDDocument.load(path);
PDFTextStripper stripper = new PDFTextStripper();
String text = stripper.getText(doc);
System.out.println(text);
doc.close();

但是，我不知道如何提取圖像，鏈接等。

更新2

我找到了一個如何提取圖像的例子，但我仍然沒有得到如何提取的答案：

• 鏈接
• 文檔元標記，如標題，描述或作者
• 只是頭條新聞
• 如果文檔包含表單，則輸入元素

Answer 1

iText是我最近選擇的PDF工具。

• 完整的可見文字

“可見”是一個艱難的。 您可以使用com.itextpdf.text.pdf.parse包的類解析所有可解析的文本...但這些類不了解CLIPPING。 您可以輕松地將解析器限制為頁面大小。

// all text on the page, regardless of position
PdfTextExtractor.getTextFromPage(reader, pageNum);

您實際上需要采用TextExtractionStrategy的過濾，即過濾策略。 它很快就會變得有趣，但我認為你可以“開箱即用”獲得你想要的一切。

• 圖片

是的，通過相同的包類。 圖像偵聽器不像文本偵聽器那樣受支持，但確實存在。

• 鏈接

是。 鏈接是各種PDF頁面的“注釋”。 找到它們只需循環遍歷每個頁面的“注釋數組”並選擇鏈接注釋即可。

PdfDictionary pageDict = myReader.getPageN(1);
PdfArray annots = pageDict.getAsArray(PdfName.ANNOTS);
ArrayList<String> dests = new ArrayList<String>();
if (annots != null) {
  for (int i = 0; i < annots.size(); ++i) {
    PdfDictionary annotDict = annots.getAsDict(i);
    PdfName subType = annotDict.getAsName(PdfName.SUBTYPE);
    if (subType != null && PdfName.LINK.equals(subType)) {
      PdfDictionary action = annotDict.getAsDict(PdfName.A);
      if (action != null && PdfName.URI.equals(action.getAsName(PdfName.S)) {
        dests.add(action.getAsString(PdfName.URI).toString());
      } // else { its an internal link, meh }
    }
  }
}

您可以在此處找到PDF規范 。

• 輸入元素

當然。 對於XFA（LiveCycle Designer）或舊技術“AcroForm”表單，iText可以找到所有字段及其值。

AcroFields fields = myReader.getAcroFields();

Set<String> fieldNames = fields.getFields().keySet();
for (String fldName : fieldNames) {
  System.out.println( fldName + ": " + fields.getField( fldName ) );
}

Mutli-select列表不能很好地處理。 對於空文本字段和按鈕，冒號后面會有一個空格。 沒有太多信息......但那會讓你開始。

• 文檔元標記，如標題，描述或作者

非常瑣碎。 是。

Map<String, String> info = myPdfReader.getInfo();
System.out.println( info );

除了基本作者/標題/等之外，您還可以通過reader.getMetadata()訪問相當復雜的XML模式。

• 只是頭條新聞

TextRenderFilter可以根據您希望的任何條件忽略文本。 字體大小根據您的評論發出正確的聲音。

Answer 2

阿帕奇再一次來救援。

Answer 3

您還可以將JPedal用於所有這些提取任務。

Answer 4

是的Alp， iText確實提供了您提到的功能。

閱讀PDF

iText不是PDF查看器，iText無法將PDF轉換為圖像，iText也不能用於打印PDF，但PdfReader類可以讓您訪問構成PDF文檔和內容流的對象每頁。 可以解析此內容流，如果內容未添加為光柵化文本，則可以將頁面轉換為純文本。 請注意，iText不執行OCR。

使用com.itextpdf.text.pdf.PdfReader; 類。

Answer 5

大多數情況下，您也可以使用我們的PDF庫擴展版 。

無論您采用哪種解決方案，請記住，對於某些PDF文檔，由於構建PDF的方式，文本提取是不可能的（頁面上的字形有時不具有與之相關的任何語義含義）。

檢查此問題的快速方法是在Acrobat中打開文檔並嘗試復制/粘貼文本。 如果在那里出現亂碼，那么在任何其他PDF提取器中都可能出現亂碼。