适用于Java的高级PDF解析器

Question

我想从Java中提取PDF文件中的不同内容:

• 完整的可见文字
• 图片
• 链接

是否也可以获得以下内容？

• 文档元标记,如标题,描述或作者
• 只是头条新闻
• 如果文档包含表单,则输入元素

我不需要操纵或渲染PDF文件.哪个库最适合这种目的？

UPDATE

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.虽然字段"摘要"是可以的.

下一个片段工作正常.

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例子,但我仍然没有得到如何提取的答案:

• 链接
• 文档元标记,如标题,描述或作者
• 只是头条新闻
• 如果文档包含表单,则输入元素

Answer 1

iText是我最近选择的PDF工具.

• 完整的可见文字

"可见"是一个艰难的.您可以使用com.itextpdf.text.pdf.parse包的类解析所有可解析的文本...但这些类不了解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的过滤,即过滤策略.它很快就会变得有趣,但我认为你可以"开箱即用"获得你想要的一切.

• 图片

是的,通过相同的包类.图像侦听器不像文本侦听器那样受支持,但确实存在.

• 链接

是.链接是各种PDF页面的"注释".找到它们只需循环遍历每个页面的"注释数组"并选择链接注释即可.

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 }
    }
  }
}

您可以在此处找到PDF规范.

• 输入元素

当然.对于XFA(LiveCycle Designer)或旧技术"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 ) );
}

Mutli-select列表不能很好地处理.对于空文本字段和按钮,冒号后面会有一个空格.没有太多信息......但那会让你开始.

• 文档元标记,如标题,描述或作者

非常琐碎.是.

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

除了基本的作者/标题/等之外,您还可以通过相关的XML模式进行访问reader.getMetadata().

• 只是头条新闻

A TextRenderFilter可以根据您希望的任何标准忽略文本.字体大小根据您的评论发出正确的声音.

Answer 2

阿帕奇再一次来救援.