Question

我想从Java中提取PDF文件中的不同内容：

完整的可见文字
图像
链接

是否也可以获得以下内容？

文档元标记，如标题，描述或作者
仅标题
如果文档包含表单

我不需要操纵或渲染PDF文件。哪个库最适合这种目的？

更新

好的，我试过PDFBox：

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

但输出为空。字段“摘要”是可以的。

下一个代码段工作正常。

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

但是，我不知道如何提取图像，链接等。

更新2

我找到了一个如何提取图像的例子，但我仍然没有得到如何提取的答案：

链接
文档元标记，如标题，描述或作者
仅标题
如果文档包含表单

Answer 1

iText是我最近选择的PDF工具。

完整的可见文字

“可见”是一个艰难的。您可以使用com.itextpdf.text.pdf.parse包的类解析所有可解析的文本...但这些类不了解CLIPPING。您可以轻松地将解析器限制为页面大小。

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

您实际上需要采用TextExtractionStrategy的过滤，即过滤后的策略。它很快就会变得有趣，但我认为你可以“开箱即用”获得你想要的一切。

图像

是的，通过相同的包类。图像侦听器不像文本侦听器那样受支持，但确实存在。

链接

是。链接是各种PDF页面的“注释”。找到它们只需循环遍历每个页面的“注释数组”并选择链接注释。

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 }
    }
  }
}

您可以找到PDF Spec here。

输入元素

当然。对于XFA（LiveCycle Designer）或旧技术“AcroForm”表单，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 ) );
}

多重选择列表不能很好地处理。对于空文本字段和按钮，冒号后面会有一个空格。没有太多信息......但这会让你开始。

文档元标记，如标题，描述或作者

非常琐碎。是。

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

除了基本作者/标题/等之外，您还可以通过reader.getMetadata()访问相当复杂的XML架构。

仅标题

TextRenderFilter可以根据您希望的标准忽略文字。字体大小根据您的评论发出正确的声音。

Answer 2

Apache comes to the rescue, once again.

Answer 3

您还可以将JPedal用于所有这些提取任务。

Answer 4

是的，Alp， iText 确实提供了您提到的功能。

阅读PDFS

iText不是PDF查看器，iText不能   将PDF转换为图像，也不能将iText转换为图像   用于打印PDF，但是   PdfReader类可以为您提供访问权限   形成PDF文档的对象   以及每个的内容流   页。这个内容流可以   解析，如果内容没有添加   作为栅格化文本，您可以转换为   页面到纯文本。请注意iText   不做OCR。

使用com.itextpdf.text.pdf.PdfReader;类。

Answer 5

大多数情况下你也可以使用our PDF Library extended edition。

无论您采用哪种解决方案，请记住，对于某些PDF文档，由于构建PDF的方式，文本提取是不可能的（页面上的字形有时不具有与之相关的任何语义含义）。 / p>

检查此问题的快捷方法是在Acrobat中打开文档并尝试复制/粘贴文本。如果在那里出现乱码，那么在任何其他PDF提取器中都可能会出现乱码。

适用于Java的高级PDF解析器

5 个答案: