我有一个场景，我需要一个Java应用程序才能从以下两种模式之一中提取PDF文件中的内容：TEXT_ONLY或ALL。在文本模式中，只有可见文本（“可见”，就像人正在阅读PDF一样）被读出为字符串。在所有模式中，从文件中读取所有内容（文本，图像等）。
例如，如果一个PDF文件中有1个页面，并且该页面有3个连续文本段落，并且包装了2个图像，那么TEXT_ONLY将提取所有3个段落，{ {1}}将提取所有3个段落和两个图像：
ALL我知道Apache Tika使用了PDFBox，但我担心Tika会遮蔽/禁止这种功能（在这种情况下，我可能需要直接从PDFBox中执行此操作）。
所以我问：这可能，如果是这样，哪个库更适合我使用？我完全是错误的做法吗？我不在考虑任何陷阱/警告？
答案 0 :(得分：1)
为了解释为什么@markStephens会指出一些资源给出一些PDF的背景知识。
在文本模式下，只有可见文本（“可见”，就像人正在阅读PDF一样）被读出为字符串。
你的定义“可见”就好像一个人在阅读PDF 还没有明确定义：
文字1 pt的大小是否可见？放大时，人类可以阅读它;但是，在标准放大倍数下没有。哪个大小是限制？
背景为（128,128,128）的RGB（128,129,128）中的文字是否可见？颜色有多么不同？
文字是否在某些其他白噪声图案的背景上以某些白噪声图案显示？模式有多么不同？
文字是否仅部分在屏幕上可见？如果是的话，一个可见像素是否足够？那个可见页面区域适合字母点的巨大尺寸的'I'怎么样？
某些注释所涵盖的文本如何易于移动，甚至可能是文件中的一些自动执行的JavaScript代码？
某些可选内容组中的文字仅在打印时可见？
... *
我希望大多数可用的PDF文本解析库忽略所有这些情况并提取文本，至多尊重裁剪框。如果图像中添加了不可见的OCR文本，则需要提取该文本。
例如，如果一个PDF文件中有1个页面，并且该页面有3个连续文本段落，并且包装了2个图像，那么TEXT_ONLY将提取所有3个段落，而ALL将提取所有3个段落段落和两个图像：
PDF（一般情况下）不知道段落，只是位于页面某处的一些字形组。识别段落是一项无法保证正常工作的任务，因为工作中有启发式方法。此外，如果您的多列文本具有不规则的分离，甚至可能在其间有一些图像（很难确定是否有两列被图像分割，或者是否有一列带有集成图像），您可以依赖对文本流的识别更不用说段落，部分等文本元素惨遭失败了。
如果您的PDF被正确标记或者由工具链生成，所创建的PDF内容流中的模式会背叛文本结构，那么您可能会更幸运。但是，如果是后者，则必须为该工具链定制解决方案。
但我担心Tika会遮蔽/禁止这种功能（在这种情况下，我可能需要直接从pdfBox执行此操作）。
您指向另一个兴趣点：PDF可以标记为禁止文本提取，否则任何人都可以显示。虽然技术上标记为类似的PDF可以像只有一个解码步骤的文档一样处理（基本上它们是用公知的密码加密），但这样做显然违背了作者的声明意图并侵犯了他的版权。 / p>
所以我问：这是可能的，如果是的话，哪个库更适合我使用？我完全是错误的做法吗？我不在考虑任何陷阱/警告？
只要您期望通用输入的准确率达到100％，就应该重新考虑您的架构。
如果您拥有所有PDF，并且有效的解决方案是可以的，另一方面，您可以使用多个可能的库，iText和PDFBox，但有两个可供选择。哪种方式最适合您取决于更多因素，例如：是否需要某些通用解决方案或所有PDF都是由上述工具链创建的。
在任何情况下，你都必须自己做一些编程，然后根据你的用例对它们进行微调。