从PDf到String

Question

将PDF文件的文本（单词）作为一个长字符串或字符串数​​组的最简单方法是什么。

我尝试过pdfbox，但这对我不起作用。

Answer 1

使用iText。例如，以下代码段将提取文本。

PdfTextExtractor parser =new PdfTextExtractor(new PdfReader("C:/Text.pdf"));
parser.getTextFromPage(3);

Answer 2

许多较新PDF上的PDFBox barfs，特别是那些嵌入了PNG图像的PDF。

我对PDFTextStream

印象非常深刻

Answer 3

JPedal和Multivalent也提供Java中的文字提取，或者您可以使用xpdf

访问Runtime.exec

Answer 4

好吧，我使用Tika从pdf中提取原始文本（它基于PDFBox），但我认为Tika只有在必须从不同文件格式中提取文本时才有用（自动检测有很多帮助）。

如果您只想将pdf解析为文本，我建议PDFTextStream 因为它比其他api（例如iText和PDFBox）更好的解析器。

使用PDFTextStream，您可以轻松获得结构化文本（pages-＆gt; blocks-＆gt; lines-＆gt; textUnits），并且您可以提取相关信息，例如字符编码，高度，角色的位置等。页面等..

示例：

public class ExtractTextAllPages {
    public static void main (String[] args) throws IOException {
        String pdfFilePath = args[0];
        PDFTextStream pdfts = new PDFTextStream(pdfFilePath); 
        StringBuilder text = new StringBuilder(1024);
        pdfts.pipe(new OutputTarget(text));
        pdfts.close();
        System.out.printf("The text extracted from %s is:", pdfFilePath);
        System.out.println(text);
    }
}