Java的高级PDF解析器答案

【问题标题】：Advanced PDF parser for JavaJava的高级PDF解析器
【发布时间】：2011-07-23 22:08:33
【问题描述】：

我想用 Java 从 PDF 文件中提取不同的内容：

完整的可见文本
图片
链接

是不是也可以得到以下？

文档元标记，如标题、描述或作者
仅标题
输入元素（如果文档包含表单）

我不需要操作或渲染 PDF 文件。哪个库最适合这种目的？

更新

好的，我试过 PDFBox：

Document luceneDocument = LucenePDFDocument.getDocument(new File(path));
Field contents = luceneDocument.getField("contents");
System.out.println(contents.stringValue());

但输出为空。不过，“摘要”字段是可以的。

下一个 sn-p 工作正常。

PDDocument doc = PDDocument.load(path);
PDFTextStripper stripper = new PDFTextStripper();
String text = stripper.getText(doc);
System.out.println(text);
doc.close();

但是，我不知道如何提取图像、链接等。

更新 2

我找到了一个如何提取图像的示例，但我仍然没有关于如何提取的答案：

链接
文档元标记，如标题、描述或作者
仅标题
输入元素（如果文档包含表单）

【问题讨论】：

结帐 iText itextpdf.com
感谢巴拉的建议。创建者自己说“iText 的主要目的是创建和操作 PDF 文档。”。你确定它提供了我需要的功能吗？
我之前使用过 iText，它是一个非常强大的产品。它应该能够处理您的所有任务。不过请注意许可证。上次我检查它是 GPL/ALGO，恕我直言，这不是一个超级好的许可证。

标签： java parsing pdf

【解决方案1】：

iText 是我最近选择的 PDF 工具。

完整的可见文本

“可见”是一个艰难的问题。您可以使用 com.itextpdf.text.pdf.parse 包的类解析所有可解析的文本......但这些类不知道 CLIPPING。您可以轻松地将解析器限制为页面大小。

// all text on the page, regardless of position
PdfTextExtractor.getTextFromPage(reader, pageNum);

您实际上需要采用 TextExtractionStrategy 的覆盖，即过滤策略。它很快就会变得有趣，但我认为你可以在这里“开箱即用”得到你想要的一切。

图片

是的，通过相同的包类。图像侦听器的支持不如文本侦听器，但确实存在。

链接

是的。链接是各种 PDF 页面的“注释”。找到它们很简单，只需遍历每个页面的“注释数组”并挑选链接注释即可。

PdfDictionary pageDict = myReader.getPageN(1);
PdfArray annots = pageDict.getAsArray(PdfName.ANNOTS);
ArrayList<String> dests = new ArrayList<String>();
if (annots != null) {
  for (int i = 0; i < annots.size(); ++i) {
    PdfDictionary annotDict = annots.getAsDict(i);
    PdfName subType = annotDict.getAsName(PdfName.SUBTYPE);
    if (subType != null && PdfName.LINK.equals(subType)) {
      PdfDictionary action = annotDict.getAsDict(PdfName.A);
      if (action != null && PdfName.URI.equals(action.getAsName(PdfName.S)) {
        dests.add(action.getAsString(PdfName.URI).toString());
      } // else { its an internal link, meh }
    }
  }
}

您可以找到PDF Spec here。

输入元素

当然。对于 XFA (LiveCycle Designer) 或旧技术的“AcroForm”表单，iText 可以找到所有字段及其值。

AcroFields fields = myReader.getAcroFields();

Set<String> fieldNames = fields.getFields().keySet();
for (String fldName : fieldNames) {
  System.out.println( fldName + ": " + fields.getField( fldName ) );
}

不能很好地处理多选列表。您将在冒号后得到一个空格，用于空文本字段和按钮。没有太多的信息......但这会让你开始。

文档元标记，如标题、描述或作者

相当琐碎。是的。

Map<String, String> info = myPdfReader.getInfo();
System.out.println( info );

除了基本的作者/标题/等之外，还有一个相当复杂的 XML 架构，您可以通过 reader.getMetadata() 访问。

仅标题

TextRenderFilter 可以根据您希望的任何标准忽略文本。根据您的评论，字体大小听起来很合适。

【讨论】：

感谢您的回答。 “输入元素”在我的列表中意外出现了两次，它们之间没有区别。我看了一下 PDFBox，我想现在是测试 iText 的时候了。对于“仅标题”，我的意思是过滤掉 HTML 中的
标签，如果有可能的话。
有点，是的。 com.itextpdf.text.pdf.parser.FilteredRenderListener 可以按字体大小（和/或颜色、字体等）过滤。
您好 Mark Storer，我已经使用您上面描述的方法来检索注释（内部锚点和嵌入式链接）。但在“subType”中没有得到任何价值。 :(
它在子类型中返回空值:(
如何应用文本大小过滤器？如何从 pdf 中获取现有内容的文本大小。我需要帮助。 @MarkStorer

【解决方案2】：

Apache comes to the rescue, once again.

【讨论】：

【解决方案3】：

您还可以将 JPedal 用于所有这些提取任务。

【讨论】：

【解决方案4】：

您也可以使用our PDF Library extended edition 完成大部分操作。

无论您采用哪种解决方案，请记住，对于某些 PDF 文档，由于 PDF 的构造方式，文本提取是不可能的（页面上的字形有时没有与它们相关的任何语义含义）。

检查这一点的快速方法是在 Acrobat 中打开文档并尝试复制/粘贴文本。如果它在那里出现乱码，那么它很可能会在任何其他 PDF 提取器中出现乱码。

【讨论】：

【解决方案5】：

是的，Alp，iText 确实提供了您提到的功能。

阅读 PDF

iText 不是 PDF 查看器，iText 不能将PDF转换为图像，iText也不能用于打印 PDF，但 PdfReader 类可以让你访问构成 PDF 文档的对象和每个的内容流页。此内容流可以是已解析，如果未添加内容作为光栅化文本，您可以将页面转换为纯文本。请注意，iText 不做 OCR。

使用com.itextpdf.text.pdf.PdfReader; 类。

【讨论】：

标签，如果有可能的话。