PDF解析文本和坐标

Question

我目前正在使用PDF Box来解析pdf，我正在试图找出如何检索有关文本的数据，例如字体（粗体，大小等）和字体的位置。

有什么建议吗？

Answer 1

从PDF 中提取文本的最佳内容之一是TET, the text extraction toolkit。 TET是PDFlib.com系列产品的一部分。

PDFlib.com是Thomas Merz（“PostScript和PDF Bible”）公司的作者。

TET的第一个化身是a library。那个人可以做你想做的一切，包括关于页面上每个文本元素的位置信息。哦，它也可以提取图像。它重新组合+合并碎片成片的图像。

pdflib.com还提供了该技术的另一个版本，TET plugin for Acrobat。显然你也需要Acrobat才能使用它。

第三个化身是PDFlib TET iFilter。这是用户工作站的独立工具。这两种都是免费的（如在啤酒中）用于私人，非商业目的。

最后，TET还附带一个命令行界面。

TET非常强大。比Adobe自己的文本提取方式更好。它为我提取了文本，其他工具（包括Adobe的）只会吐出垃圾。

几个月前，我测试了他们的桌面独立工具，他们在网页上的说法是正确的。它有一个非常好的命令行。我工作的一些“有问题”的PDF测试文件让我完全满意。

这是我对每个复杂且具有挑战性的PDF文本提取要求的建议。

TET简直太棒了。它检测表格。在表格中，它标识跨越多列的单元格。它分别标识每个表格单元格的表格行和内容。它可以很好地处理连字符：它删除连字符并恢复完整的单词。它支持非ASCII语言（包括CJK，阿拉伯语和希伯来语）。遇到连字时，它会恢复原始字符......

试一试。

Answer 2

在找到（很难找到）PDFBox文档后，我找到了this little gem。

显然其中一个例子显示了如何做你所要求的一切。基本上，您将PdfTextStripper子类化并覆盖processTextPosition方法。在那里，您可以查询TextPosition以获取所需的任何信息。

为了将来参考，您可以在这里找到javaDoc：http://pdfbox.apache.org/apidocs/index.html

编辑2018-04-02 ：原始链接已失效，但可以在SVN repo here中找到示例。

Answer 3

GetPageText中带有提取选项3或4的Quick PDF Library函数会返回所选页面的CSV字符串，其中包含文本（单个字词或一段文字）和相关字体名称，文本颜色，文本大小和页面上的坐标。

注意：这是一个商业图书馆，我为销售它的公司工作。

Answer 4

可以使用tabula-py或tabula-java解析PDF文件。

我制作了完整的教程，介绍如何在this article上使用tabula-py。只要安装了Java，您就可以在网络浏览器中建立表格。