Jaki jest najłatwiejszy sposób wyodrębniania danych z pliku PDF?

Question

Potrzebuję wyodrębnić dane z niektórych dokumentów PDF (przy użyciu Java). Muszę wiedzieć, jaki byłby najłatwiejszy sposób na zrobienie tego.

Próbowałem iText. To dość skomplikowane dla moich potrzeb. Poza tym myślę, że nie jest ona dostępna za darmo w komercyjnych projektach. Więc nie jest to opcja. Próbowałem również PDFBox i wpadłem na różne błędy NoClassDefFoundError.

Przeszukałem kilka innych opcji, takich jak PDF Clown, jPod, ale nie mam czasu na eksperymentowanie ze wszystkimi tymi bibliotekami. Opieram się na doświadczeniach społeczności z czytaniem plików PDF przez Javę.

Należy pamiętać, że nie trzeba tworzyć ani modyfikować dokumentów PDF. Po prostu potrzebuję rozbudować dane tekstowe z dokumentów PDF o złożoności złożonej z umiarkowanego poziomu.

Proszę zaproponować najszybszy i najłatwiejszy sposób wyodrębnienia tekstu z dokumentów PDF. Dzięki.

Answer 1

Używam JPedal i jestem naprawdę zadowolony z wyników. Nie jest darmowy, ale jest wysokiej jakości, a wyjście do generowania obrazu z pdf lub ekstrakcji tekstu jest naprawdę miłe.

A jako płatna biblioteka, wsparcie jest zawsze dostępne, aby odpowiedzieć.

Answer 2

Użyłem PDFBox do wyodrębnienia tekstu do indeksowania Lucene bez zbyt wielu problemów. Rejestrowanie błędów/ostrzeżeń jest dość szczegółowe, jeśli dobrze pamiętam - jaka była przyczyna tych błędów?

Answer 3

Polecam wypróbowanie Apache Tika. Apache Tika to w zasadzie zestaw narzędzi, który pobiera dane z wielu typów dokumentów, w tym z plików PDF.

Korzyści z Tika (oprócz bycia wolnym) to taki, który był kiedyś podprojektem Apache Lucene, który jest bardzo solidną wyszukiwarką open-source. Tika zawiera wbudowany analizator składni PDF, który wykorzystuje procedurę obsługi treści SAX do przesyłania danych PDF do aplikacji. Może także wyodrębnić dane z zaszyfrowanych plików PDF i umożliwia utworzenie lub podklasę istniejącego parsera w celu dostosowania zachowania.

Kod jest prosty. Aby wyodrębnić dane z pliku PDF, wszystko co musisz zrobić, to utworzyć klasę Parser, który implementuje interfejs Parser i zdefiniować parse() metoda:

public void parse(
    InputStream stream, ContentHandler handler, 
    Metadata metadata, ParseContext context) 
    throws IOException, SAXException, TikaException { 

    metadata.set(Metadata.CONTENT_TYPE, HELLO_MIME_TYPE); 
    metadata.set("Hello", "World"); 

    XHTMLContentHandler xhtml = new XHTMLContentHandler(handler, metadata); 
    xhtml.startDocument(); 
    xhtml.endDocument(); 
} 

Następnie, aby uruchomić analizator, można zrobić coś takiego to:

InputStream input = new FileInputStream(new File(resourceLocation)); 
ContentHandler textHandler = new BodyContentHandler(); 
Metadata metadata = new Metadata(); 
PDFParser parser = new PDFParser(); 
parser.parse(input, textHandler, metadata); 
input.close(); 
out.println("Title: " + metadata.get("title")); 
out.println("Author: " + metadata.get("Author")); 
out.println("content: " + textHandler.toString()); 

Answer 4

rozumiem ten post jest dość stary, ale polecam użyciu iText stąd: http://sourceforge.net/projects/itext/ Jeśli używasz Maven można wyciągnąć słoiki z Maven centralny: http://mvnrepository.com/artifact/com.itextpdf/itextpdf

Nie mogę zrozumieć, jak przy użyciu może być trudne:

PdfReader pdf = new PdfReader("path to your pdf file"); 
    PdfTextExtractor parser = new PdfTextExtractor(); 
    String output = parser.getTextFromPage(pdf, pageNumber); 
    assert output.contains("whatever you want to validate on that page");