Question

有人可以推荐使用库/ API从PDF中提取文本和图像吗？我们需要能够获得包含在文档的预先知道区域中的文本，因此API需要向我们提供页面上每个元素的位置信息。

我们希望以xml或json格式输出数据。我们目前正在查看 PdfTextStream 这看起来相当不错，但我希望听到其他人的经验和建议。

是否有以编程方式从pdf中提取文本的替代品（商业版或免费版）？

Answer 1

我获得了一个400页的pdf文件，其中包含我必须导入的数据表 - 幸运的是没有图像。 Ghostscript为我工作：

gswin64c -sDEVICE=txtwrite -o output.txt input.pdf

输出文件被拆分成带有标题等的页面，但是很容易编写一个应用程序来删除空白行等，并吸收所有30,000条记录。 -dSIMPLE和-dCOMPLEX在这种情况下没有任何区别。

Answer 2

从今天起我就知道了：从PDF 中提取文本的最好的事情是TET, the text extraction toolkit。 TET是PDFlib.com系列产品的一部分。

PDFlib.com是Thomas Merz的公司。如果你不认识他的名字：托马斯梅尔兹是“PostScript和PDF圣经”的作者。

TET的第一个化身是a library。那个人可能会做Budda006想要的一切，包括关于页面上每个元素的位置信息。哦，它也可以提取图像。它重新组合碎片成片。

pdflib.com还提供了该技术的另一个版本，TET plugin for Acrobat。第三个化身是PDFlib TET iFilter。这是用户桌面的独立工具。这些都是免费的（如在啤酒中）用于私人，非商业目的。

它真的很强大。比Adobe自己的文本提取方式更好。它为我提取了文本，其他工具（包括Adobe的）只会吐出垃圾。

我刚刚测试了桌面独立工具，他们在网页上的说法是正确的。它有一个非常好的命令行。我工作的一些“有问题”的PDF测试文件让我完全满意。

从现在开始，这件事将成为我对每一个复杂而具有挑战性的PDF文本提取要求的建议。

TET简直太棒了。它检测表格。在表格中，它标识跨越多列的单元格。它分别标识每个表格单元格的表格行和内容。它可以很好地处理连字符：它删除连字符并恢复完整的单词。它支持非ASCII语言（包括CJK，阿拉伯语和希伯来语）。遇到连字时，它会恢复原始字符......

试一试。

Answer 3

一个高效的命令行工具，开源，免费，可在linux和Linux上使用。 windows：简单地命名为pdftotext。该工具是xpdf库的一部分。

http://en.wikipedia.org/wiki/Pdftotext

Answer 4

对于python，有PDFMiner和pyPDF2。有关这些的更多信息，请参阅Python module for converting PDF to text。

Answer 5

对于单线程应用程序，

PdfTextStream（你说你一直在关注）现在免费。在我看来，它的质量比其他库（特别是像时髦的嵌入字体等）更好。

或者，您应该查看Apache PDFBox，开源。

Answer 6

这是我的建议。如果要从PDF中提取文本，可以将pdf文件导入Google Docs，然后将其导出为更友好的格式，例如.html，.odf，.rtf，.txt等。所有这些都使用Drive API 。它是免费的*和强大的。看看：

https://developers.google.com/drive/v2/reference/files/insert https://developers.google.com/drive/v2/reference/files/get

因为它是一个rest API，所以它与所有编程语言兼容。我上面发布的链接有许多语言的工作示例，包括：Java，.NET，Python，PHP，Ruby等。

我希望它有所帮助。

Answer 7

Docotic.Pdf library可以用作extract text from PDF文件作为纯文本或带有每个块坐标的文本块集合。

Docotic.Pdf也可以用于extract images from PDFs。

免责声明：我为Bit Miracle工作。

Answer 8

其中一条评论在Windows上使用了gs。我在Linux / OSX上也取得了一些成功，使用以下语法：

gs \
 -q \
 -dNODISPLAY \
 -dSAFER \
 -dDELAYBIND \
 -dWRITESYSTEMDICT \
 -dSIMPLE \
 -f ps2ascii.ps \
 "${input}" \
 -dQUIET \
 -c quit

我使用dSIMPLE代替dCOMPLEX，因为后者每行输出1个字符。

Answer 9

由于问题是关于从 PDF作为XML 获取数据的替代工具，因此您可能有兴趣看看能够完成此操作的商业工具"ByteScout PDF Extractor SDK" ：从PDF中提取文本作为XML以及定位数据（x，y）和字体信息：

源PDF中的文字：

Products | Units | Price

输出XML：

 <row>
 <column>
  <text fontName="Arial" fontSize="11.0" fontStyle="Bold" x="212" y="126" width="47" height="11">Products</text> 
  </column>
 <column>
  <text fontName="Arial" fontSize="11.0" fontStyle="Bold" x="428" y="126" width="27" height="11">Units</text> 
  </column>
 <column>
  <text fontName="Arial" fontSize="11.0" fontStyle="Bold" x="503" y="126" width="26" height="11">Price</text> 
  </column>
</row>

P.S。：另外它还将文本分解为基于表格的结构。

披露：我为ByteScout工作

Answer 10

我知道这个话题已经很老了，但这个需求仍然存在。我阅读了许多文档，论坛和脚本，并构建了一个支持压缩和未压缩pdf的新的高级文档：

https://gist.github.com/smalot/6183152

在某些情况下，出于安全原因禁止使用命令行。因此，本机PHP类可以满足许多需求。

希望它能帮助人们

Answer 11

我目前可以想到的最好的事情（在“简单”工具列表中）是Ghostscript（当前版本是v.8.71）和PostScript实用程序ps2ascii.ps。 Ghostscript将其发送到lib子目录中。试试这个（在Windows上）：

gswin32c.exe ^
   -q ^
   -sFONTPATH=c:/windows/fonts ^
   -dNODISPLAY ^
   -dSAFER ^
   -dDELAYBIND ^
   -dWRITESYSTEMDICT ^
   -dCOMPLEX ^
   -f ps2ascii.ps ^
   -dFirstPage=3 ^
   -dLastPage=7 ^
   input.pdf ^
   -dQUIET ^
   -c quit

此命令处理input.pdf的第3-7页。阅读ps2ascii.ps文件中的注释，看看“怪异”数字和附加信息的含义（它们表示字符串，位置，宽度，颜色，图片，矩形，字体和分页符...... < / em>的）。要获得“简单”文本输出，请将-dCOMPLEX部分替换为-dSIMPLE。

Answer 12

对于图像提取，pdfimages是Linux或Windows（win32）的免费命令行工具：

pdfimages: Extract and Save Images From A Portable Document Format ( PDF ) File

Answer 13

Apache pdfbox具有此功能 - 文本部分描述于：

http://pdfbox.apache.org/apidocs/org/apache/pdfbox/util/PDFTextStripper.html

有关示例实现，请参阅 https://github.com/WolfgangFahl/pdfindexer

测试用例TestPdfIndexer.testExtracting显示它是如何工作的

Answer 14

QuickPDF似乎是一个合理的库，应该以合理的价格做你想要的。

http://www.quickpdflibrary.com/ - 他们有30天的试用期。

Answer 15

在我的Macintosh系统上，我发现＆＃34; Adobe Reader＆＃34;做得相当不错。我在桌面上创建了一个指向＆＃34; Adobe Reader.app＆＃34;的别名，我所做的就是在别名上删除一个pdf文件，这使它成为Adobe Reader中的活动文档，然后从在文件菜单中，我选择＆＃34;另存为文本...＆＃34;，为其命名并在何处保存，单击＆＃34;保存＆＃34;，然后我就完成了。

如何从PDF中提取文本？

15 个答案: