无需工具即可提取PDF文本

Question

当前，我正在使用itextsharp工具（在VB.net中）提取PDF的文本。 我想独立于其他工具/库，因为我无法在程序中将它们提供给其他人。

是否有任何编程语言都可以快速提取PDF文本的解决方案（没有.dll等）？

Answer 1

简短答案：

当然有这样做的一种方式。 iText（以及其他许多PDF库）能够这样做的。因此，有用于提取文本的算法。

长答案：

PDF不是所见即所得的格式。 PDF文档是“互相引用的对象”与“编程语言”之间的不道德的结合。

让我解释一下。 PDF文档具有图形状态。因此，每当您在PDF文档中（例如在Adobe Reader等查看器中）看到文本时，您实际上就可以看到PDF文档中某些“代码”的结果，

  

转到位置50，720
  将活动字体设置为Helvetica，字体大小12
  将活动图形颜色设置为黑色
  绘制字形相应于字符“H”
  转到位置53，720
  绘制字形对应的字符“E”
  等

指令和资源（如字体，图像，矢量图形）可以在对象中分组在一起。

为每个对象分配了一个数字，并在交叉引用表（在PDF文档末尾）中明确提及。

因此，要读取PDF文档中的文本，您需要：

1. 读取XREF表
2. 断定从哪里（字节位置）的\页面对象启动
3. 解析\ page对象及其所有子对象（再次使用XREF表确定这些子对象在文件中的位置）
4. 解析几何指令（图形状态不需要与文本相同的方向流动）
5. 根据您希望文本被写入的方向对所有可见字符（比较背景和前景色，被其他对象（例如图像）遮挡等）
6. 构建返回字符串

这可能是为什么其他人使用库。 不要误会我的意思，我是一个自己做的忠实粉丝（这是对某些事情的工作方式有深入了解的最好方法。）

但看看它的观点用户的一个点。 您会更信任什么？

• 使用“自写”代码处理PDF文档的程序（解析PDF文档的总经验<1年），
• 或仅调用PDF库的程序（ 解析PDF文档> 20年）