无需工具即可提取PDF文本答案

【问题标题】：Extract text of PDF without tool无需工具即可提取PDF文本
【发布时间】：2019-06-21 18:08:36
【问题描述】：

目前我正在使用 itextsharp 工具（在 VB.net 中）提取 PDF 的文本。我想独立于其他工具/库，因为我不能在我的程序中将它们提供给其他人。

是否有任何编程语言的解决方案（没有 .dll 等）来快速提取 PDF 的文本？

【问题讨论】：

基本上，您必须重新实现 PDF 库（如 iText）的大部分功能，以实现通用文本提取例程。（如果您输入的 PDF 的结构非常简单，那么您可能会逃脱网络上流传的黑客攻击之一。但这些黑客攻击仅适用于非常简单的 PDF。外观并不简单，但其内部结构并不简单。）
你可以看看PDF file structure documentation。
stackoverflow.com/q/36270247/1531971
您的相关帖子stackoverflow.com/questions/54439702/… 表明您并不希望独立。您正在寻找摆脱 AGPL 的方法。只需诚实地陈述你的意图。

【解决方案1】：

简答：

当然有办法做到这一点。 iText（与许多其他 PDF 库一起）能够做到这一点。于是就有了提取文本的算法。

长答案：

PDF 不是所见即所得的格式。 PDF 文档是“相互引用的对象”和“编程语言”之间的一种邪恶结合。

让我解释一下。 PDF 文档具有图形状态。因此，每当您在 PDF 文档中看到文本（在 Adobe Reader 等查看器中）时，您实际上就是在 PDF 文档中看到一些“代码”的结果

转到位置 50、720
将活动字体设置为 Helvetica，fontsize 12
将活动绘图颜色设置为黑色
绘制与字符“H”对应的字形
转到位置 53, 720
绘制与字符“e”对应的字形
等等

指令和资源（如字体、图像、矢量图形）可以在对象中组合在一起。

每个对象都分配了一个编号，并在交叉引用表中明确提及（在 PDF 文档的末尾）。

因此，为了阅读 PDF 文档中的文本，您需要：

这可能就是其他人使用库的原因。不要误会我的意思，我非常喜欢自己动手（这是深入了解某些事情如何运作的最佳方式）。

但是从您的一位用户的角度来看。你会更相信什么？

【讨论】：