Trích xuất văn bản PDF bằng cách sử dụng iText

Question

Chúng tôi đang nghiên cứu về trích xuất thông tin và chúng tôi muốn sử dụng iText.

Chúng tôi đang trong quá trình khám phá iText. Theo tài liệu chúng tôi đã xem xét, iText là công cụ tốt nhất để sử dụng. Có thể trích xuất văn bản từ pdf trên mỗi dòng trong iText không? Tôi đã đọc một bài câu hỏi ở đây trong stackoverflow liên quan đến tôi nhưng nó chỉ đọc văn bản không để giải nén nó. Bất cứ ai có thể giúp tôi với vấn đề của tôi? Cảm ơn bạn.

Answer 1

iText cho phép bạn thực hiện điều đó, nhưng không đảm bảo về độ chi tiết của khối văn bản, tùy thuộc vào trình kết xuất pdf thực tế được sử dụng trong sản xuất tài liệu của bạn.

Hoàn toàn có thể là mỗi từ hoặc cả chữ cái đều có khối văn bản riêng. Cũng không cần phải làm theo thứ tự từ vựng, cho kết quả đáng tin cậy, bạn có thể phải sắp xếp lại các khối văn bản dựa trên tọa độ của chúng. Ngoài ra, bạn có thể phải tính toán nếu bạn cần chèn khoảng trắng giữa các khối văn bản.

Answer 2

Giống như Theodore nói rằng bạn có thể trích xuất văn bản từ pdf và như Chris chỉ ra

miễn là nó thực sự là văn bản (không phác thảo hoặc bitmap)

nhất điều cần làm là mua Cuốn sách Itext của Bruno Lowagie đã hành động. Trong ấn bản thứ hai chương 15 bao gồm việc trích xuất văn bản.

Nhưng bạn có thể xem trang web của mình để biết ví dụ. http://itextpdf.com/examples/iia.php?id=279

Và bạn có thể phân tích cú pháp để tạo tệp txt thuần túy. Dưới đây là một ví dụ mã:

/* 
* This class is part of the book "iText in Action - 2nd Edition" 
* written by Bruno Lowagie (ISBN: 9781935182610) 
* For more info, go to: http://itextpdf.com/examples/ 
* This example only works with the AGPL version of iText. 
*/ 

package part4.chapter15; 

import java.io.FileOutputStream; 
import java.io.IOException; 
import java.io.PrintWriter; 

import com.itextpdf.text.pdf.PdfReader; 
import com.itextpdf.text.pdf.parser.PdfReaderContentParser; 
import com.itextpdf.text.pdf.parser.SimpleTextExtractionStrategy; 
import com.itextpdf.text.pdf.parser.TextExtractionStrategy; 

public class ExtractPageContent { 

    /** The original PDF that will be parsed. */ 
    public static final String PREFACE = "resources/pdfs/preface.pdf"; 
    /** The resulting text file. */ 
    public static final String RESULT = "results/part4/chapter15/preface.txt"; 

    /** 
    * Parses a PDF to a plain text file. 
    * @param pdf the original PDF 
    * @param txt the resulting text 
    * @throws IOException 
    */ 
    public void parsePdf(String pdf, String txt) throws IOException { 
     PdfReader reader = new PdfReader(pdf); 
     PdfReaderContentParser parser = new PdfReaderContentParser(reader); 
     PrintWriter out = new PrintWriter(new FileOutputStream(txt)); 
     TextExtractionStrategy strategy; 
     for (int i = 1; i <= reader.getNumberOfPages(); i++) { 
      strategy = parser.processContent(i, new SimpleTextExtractionStrategy()); 
      out.println(strategy.getResultantText()); 
     } 
     reader.close(); 
     out.flush(); 
     out.close(); 
    } 

    /** 
    * Main method. 
    * @param args no arguments needed 
    * @throws IOException 
    */ 
    public static void main(String[] args) throws IOException { 
     new ExtractPageContent().parsePdf(PREFACE, RESULT); 
    } 
} 

Thông báo giấy phép

Ví dụ này chỉ làm việc với phiên bản AGPL của iText.

Nếu bạn xem các ví dụ khác, nó sẽ cho thấy cách bỏ các phần của văn bản hoặc cách trích xuất các phần của pdf.

Hy vọng điều đó sẽ hữu ích.