在java中从PDF中提取文本的最佳方法

编程问答 2022-06-01

问题描述

我想制作一个能够读取 PDF 文件并解析其内容的程序。 因此我需要使用某种库来提取文本。我找到了 3 种方法。

  1. OCR 库（如 Tesseract）
  2. ScanPdf 库（如 iText）
  3. 将 PDF 转换为文本。

我无法理解它们之间的巨大差异，因为它们最终都会从 PDF 生成一个文本文件。那么，哪种方法最好呢？

解决方法

PDF 是一种复杂的格式。如果您打开 PDF 并盯着一堆文本，那并不能真正告诉您太多信息。可能是您正在盯着某人决定包装成 PDF 文件的图像文件。如果有人扫描文档并告诉他们的扫描仪“扫描到 PDF”，这 99%+ 确定您拥有什么，如果您有 PNG 或 JPG 并“另存为 PDF”，则 100% 确定您得到什么，或者尝试“打印到PDF'这样的东西。

PDF 中没有文本。有像素。

要将像素转换为文本，这就是 OCR 库的用武之地。这就是他们的工作。这就是他们所做的一切。这是一个人工智能的财富，容易出错。不做任何保证。

然而，PDF 比这更复杂，它不像 PNG/JPG：它更像 HTML。您可以将实际文本放入其中。

不过，这有不同的问题。您可以放置​​文本块（即带有坐标的“矩形”，然后是应该放入的文本）。再次很像 HTML：您可以执行以下操作：

<p class="foo">
World!
</p>
<p class="bar">
Hello,</p>

然后创建 CSS，以便 foo 在 bar 块之后呈现（可以像 .foo,.bar { display: block; } .foo {float: right} 一样简单）。

将 HTML 转换为“World！Hello”并不是那么棘手。意识到在渲染过程中，您最终会看到“Hello,World!”，因此编写返回“Hello,World!”的代码，这要复杂得多。

同样的问题也适用于 PDF。对于简单的 PDF，提取其中的原始文本并不太困难，但请注意，即使是稍微复杂的 PDF，文本也会出现混乱。

iText 试图给你足够的力量，至少，提供后者：给你一个完整的层次结构分解。它返回'这里是一个文本框，这里是它的位置，这里是里面的文本。现在这里是另一个文本框，等等。它不会返回一个大字符串。

换句话说：答案很大程度上取决于您拥有哪些 PDF/您希望能够阅读哪些 PDF，以及它们的复杂程度。如果它们是扫描件，则需要一个 OCR 库。如果它们很简单，一个基本的 pdf2text 转换器就可以了。如果您想尝试考虑带有内部表单和可以打开和关闭的“弹出窗口”的奇特定位 PDF，oof。可能所有这些工具都不够用，而且您需要花费许多人周的努力。

,

您还可以尝试另一个名为 Free Spire.PDF for Java 的免费 API，以从 PDF 文档中提取文本。在提取文本的过程中，您可以选择提取PDF中的所有文本，或者从特定区域或特定页面提取文本。

Know the package

The tutorial 你可以找到代码片段

,

肯定有嵌入文本的 PDF，而不仅仅是像素。

这取决于 PDF 是“真正的”PDF（即您可以突出显示文本并将其复制并粘贴到其他地方）还是 PDF 是扫描图像。

对于扫描图像，您必须使用 OCR API。所有主要的云提供商都有 OCR API（即 Amazon Textract、Google Document AI、Microsoft Form Recognizer 等）。如果它是真正的 PDF，那么我发现 pdf.js 库 (https://mozilla.github.io/pdf.js/) 在进行直接文本提取方面非常有帮助。

只要知道这样做只会让您获得页面上的文本，并且要以编程方式在许多文档中获取键/值数据字段还有很多工作要做。

如果您对更强大的东西感兴趣，这也是我的初创公司正在研究的内容 (www.sensible.so/)！

javajavalibrarieslibrariesocrocrpdfpdfpdfscanning