Java中的PDF文本提取

Question

我有一个用iText生成并用JasperReports创建的PDF文件（我不知道它是否相关），我想知道是否可以找到一些API或其他东西来查看结构，因为我需要从中提取文本它。

• 我尝试使用iText，PDFBox和其他Java库，但是我只能逐行获取文本，并且这不是我所需要的。
• 我也尝试了HTML，XML，DOM的转换，但是在提取文本时得到了相同的结果，没有解析任何结构。
• 如果我尝试以DOCX格式打开它，我会发现Word可以识别某种结构，例如在PDF中看起来像表格的区域，在DOCX中转换后，它实际上是表格。

如果可能的话，我需要了解如何创建PDF。我知道使用PDF并不容易，但是我需要从一些有用的东西开始。谢谢！

Answer 1

还有一个选项，如果您想查看下面的链接，我们也可以从Aspose PDF中提取

https://blog.aspose.com/2018/02/28/extract-text-by-paragraphs-and-convert-files-to-pdf-with-aspose.pdf/

Answer 2

PDFTron PDFGenie可以从PDF文件提取完整的语义表和段落。它可以生成可重排的HTML文件，其中包含表和段落的所有适当的HTML标记。

有关更多详细信息，请参见此博客。 https://www.pdftron.com/blog/parsing-extraction/table-extraction-and-pdf-to-xml-with-pdfgenie/#a-idpart7aevaluating-accuracy-of-pdf-table-recognition

您可以在此处下载Windows / macOS / Linux PDFGenie命令行工具。 https://www.pdftron.com/downloads/linux