免费的开源Java库转换PDF -Image，PDF - HTML，PDF - 提取图像和文本

Question

我需要Java库来执行以下任务1）将Pdf页面转换为图像2）从PDF页面中提取html文本，并在页面上有位置3）从PDF页面中提取图像

我已经尝试了

1. PDFBox - 失败并显示错误 - 不支持/禁用操作：BDC和EMC
2. icePDF - 它适用于任务1）和3）但是再次付费。
3. PDFRenderer - 失败
4. BFO - 其付费图书馆但能够执行任务1）和3）

任何人都可以建议更好的解决方案。

Answer 1

你试过JOD Converter吗？它是自启动的Open Office Server的Java API。

要查看它是否转换为您想要的格式，只需安装Open Office，打开文件，然后尝试“另存为”您需要的格式，以查看是否支持。

Answer 2

我已按照以下步骤解决Ubuntu Enviornment中的问题

步骤1）使用pdftohtml库将pdf转换为html

步骤2）使用Jsoup从步骤1）中的html中提取带样式和位置的文本

步骤3）使用CutyCapt生成HTML快照（如果需要）

我们也可以使用 pdftoppm命令直接从pdf中提取图像

Answer 3

你可以用PDFBox做所有这些事情。但是为了获得这个位置，没有API。下载最新的PDFBox。请访问以下链接以查找解决方案。

1. Convert Pdf pages to Image
2. Extract images from PDF pages
3. 从PDF页面中提取html文本，页面上的位置略有不同。使用API​​，您将无法获得位置信息。但您可以使用PDFBox获取所有位置信息。

请查看this link。在那里你可以看到getTextPos（）函数。 getTextPos（）。getXPosition（），getTextPos（）。getYPosition（）将为您提供X和Y坐标。