免费的开源 Java 库，用于转换 PDF - 图像、PDF - HTML、PDF - 提取图像和文本 [关闭]

Question

我需要 Java 库来执行以下任务 1) 将 Pdf 页面转换为图像 2) 从 PDF 页面中提取 html 文本并在页面上有位置 3) 从 PDF 页面中提取图像

我已经试过了

1. PDFBox - 失败并出现错误 --unsupported/disabled operation: BDC and EMC
2. icePDF - 它适用于任务 1) 和 3)，但同样需要付费。
3. PDFRenderer - 失败
4. BFO - 它的付费图书馆，但能够执行任务 1) 和 3)

谁能提出更好的解决方案。

Answer 1

你试过JOD Converter吗？它是自启动 Open Office Server 的 Java API。

要查看它是否转换为您想要的格式，只需安装 Open Office，打开一个文件，然后尝试“另存为”您需要的格式，看看它是否受支持。

Answer 2

我已按照以下步骤解决 Ubuntu 环境中的问题

步骤 1) 使用 pdftohtml 库将 pdf 转换为 html

步骤2）在步骤1）中使用Jsoup从html中提取带有样式和位置的文本

步骤 3) 使用 CutyCapt 生成 HTML 快照（如果需要）

我们也可以使用 pdftoppm 命令直接从 pdf 中提取图像

Answer 3

您可以使用 PDFBox 完成所有这些操作。但是为了获得这个职位，没有 API。下载最新的PDFBox。转到以下链接以找到您的解决方案。

1. Convert Pdf pages to Image
2. Extract images from PDF pages
3. 从 PDF 页面中提取 html 文本与页面上的位置略有不同。使用 API，您将无法获取位置信息。但是您可以使用 PDFBox 获取所有位置信息。

请查看this link。在那里你可以看到 getTextPos() 函数。 getTextPos().getXPosition()、getTextPos().getYPosition() 会给你 X 和 Y 坐标。