Question

我想使用java将具有少量图像的PDF文件转换为xml。

是否有任何api可以做到这一点，以便pdf的所有图像和文本都将转换为xml文件。

请帮忙。

Answer 1

使用pdftohtml。

可以与brew install pdftohtml一起安装。这会在您的路径中添加pdftohtml。

因此，要将pdf转换为xml，您可以运行pdftohtml -xml your_file.pdf your_file.xml

然后，只需使用java或任何其他语言来执行此命令。

Answer 2

PDF是最糟糕的格式之一。它专为渲染2D图形和文本文档而设计。有些库允许您在PDF文档中操作PDF对象，但它无法告诉您图像是否与哪个段落相关。您将无法轻松提取它的语义。

另一方面，XML被设计为以结构良好的方式存储文本数据。这意味着它包含隐式语义。为了从没有语义的格式转换为具有隐式的格式，您需要将自己的逻辑添加到转换过程中，否则您最终会在XML中混乱，这与使用XML的整个目的相矛盾

由于每个PDF文档都非常不同，因此如果没有人工辅助，几乎不可能实现自动化。

如果您确实要这样做，我建议您使用库将PDF读入对象，并从那里开始编写转换器。您必须自己处理新页面，换行符，页码，标题，图像，图形，表格等等。由于XML主要用于文本数据，因此如果要以XML格式存储，则必须以某种方式处理图形，例如：将图形转换为Base64字符串。

Answer 3

iText是一个允许您创建和操作PDF文档的库。它使开发人员能够通过动态PDF文档生成和/或操作来增强Web应用程序和其他应用程序。开发人员可以使用iText：

* Serve PDF to a browser
* Generate dynamic documents from XML files or databases
* Use PDF's many interactive features
* Add bookmarks, page numbers, watermarks, etc.
* Split, concatenate, and manipulate PDF pages
* Automate filling out of PDF forms
* Add digital signatures to a PDF file

iText可以在Java和C＃中使用。

Answer 4

您可以对整个PDF文件的字节流进行Base64编码，并将其序列化为XML文档，如“<pdf><![CDATA[BASE64ENCODEDPDFFILECONTENTS...]]></pdf>”。 =）

将pdf转换为xml

4 个答案: