PDF與文本和座標解析

Question

我目前使用PDF盒解析pdf，我想弄清楚如何檢索有關文本的數據，如字體（粗體，大小等）和字體的位置。

有什麼建議嗎？

Answer 1

經過查找（很難找到）PDFBox文檔後，我發現this little gem。

顯然其中一個例子顯示瞭如何去做你所要求的一切。基本上，您將子類PdfTextStripper並覆蓋processTextPosition方法。在那裏，您可以查詢TextPosition以瞭解您需要的任何信息。

對於未來的參考，你可以在這裏找到的Javadoc：http://pdfbox.apache.org/apidocs/index.html

Answer 2

其中一個用於從PDF提取文本的最好的東西是TET, the text extraction toolkit。 TET是PDFlib.com系列產品的一部分。

PDFlib.com是Thomas Merz's（「PostScript和PDF聖經」）公司的作者。

TET的第一個化身是a library。那個人可以做你想做的一切，包括關於頁面上每個文本元素的位置信息。哦，它也可以提取圖像。它重組+合併碎片成碎片的圖像。

pdflib.com還提供了此技術的另一個化身TET plugin for Acrobat。顯然你也需要使用Acrobat來使用它。第三個化身是PDFlib TET iFilter。這是用戶工作站的獨立工具。這兩種都是免費的（如啤酒），用於私人非商業用途。

最後，TET還帶有一個命令行界面。

TET真的很強大。比Adobe自己的文本提取更好。它爲我提取了其他工具（包括Adobe's）只會吐出垃圾的文本。

幾個月前，我測試了他們的桌面獨立工具，他們在他們的網頁上說的是真的。它有一個非常好的命令行。我的一些「有問題的」PDF測試文件處理工具讓我非常滿意。

這件事是我對每一個複雜和具有挑戰性的PDF文本提取要求的建議。

TET簡直太棒了。它檢測表格。在表格中，它標識跨越多列的單元格。它分別標識每個表格單元的表格行和內容。它可以很好地處理連字符：刪除連字符並恢復完整的單詞。它支持非ASCII語言（包括CJK，阿拉伯語和希伯來語）。當遇到連字時，它恢復原始字符...

試試看。

Answer 3

帶Quick PDF Library中提取選項3或4的GetPageText函數返回包含文本（單個單詞或一段文本）和相關字體名稱，文本顏色，文本大小和文本的所選頁面的CSV字符串在頁面上的下屬。

注意：這是一個商業圖書館，我爲銷售它的公司工作。