从 PDF 文件中提取文本和图像答案

【问题标题】：extracting text AND Images from PDF file从 PDF 文件中提取文本和图像
【发布时间】：2014-02-04 03:03:03
【问题描述】：

我一直在用这个撞墙，研究并尝试了几乎所有向我推荐的图书馆。我目前正在尝试用java编写一个程序，该程序将从pdf文件中提取文本和图像，并允许我将提取的内容写入word文件。我已经设法使用 ICEpdf 库提取内容，但问题是我需要能够以与读取内容完全相同的顺序编写内容。因此，为了澄清，我需要一个库来帮助我跟踪文本和图像在页面中的确切位置，以便我可以将它们放在我的 word 文件中的相同位置。

【问题讨论】：

这注定永远无法正常工作。有很多方法可以使图像和文本出现在 PDF 中。你可以让它与由单一来源创建的 PDF 一起工作（对你来说足够了吗？），但永远不能可靠地与任何 PDF 一起工作。

标签： java image pdf text extract

【解决方案1】：

PDF 到 Word 转换器是一个极其复杂的命题。

您最好的选择可能是使用 Open Office 为您完成，甚至不尝试处理中间步骤。

http://www.openoffice.org/api/

【讨论】：

我将如何使用 openOffice 来做到这一点？它是否支持从 PDF 到 MS Word 的直接转换？感谢您的帮助。

【解决方案2】：

看看这个：Advanced PDF parser for Java

关闭：

-据我所知，还有一个 python 解析器可以将 pdf 转换为 html（这样您就可以跟踪 pdf 中对象的顺序）。我知道它不是java，但你也许可以使用输出。 http://www.unixuser.org/~euske/python/pdfminer/index.html

【讨论】：