1

我有一个场景，我需要一个 Java 应用程序才能以 2 种模式之一从 PDF 文件中提取内容：TEXT_ONLY或ALL. 在文本模式下，只有可见文本（“可见”，就好像一个人正在阅读 PDF）被读出为字符串。在all 模式下，从文件中读取所有内容（文本、图像等）。

例如，如果一个 PDF 文件有 1 页，并且该页有 3 个连续文本段落，并且正在自动换行 2 个图像，那么TEXT_ONLY将提取所有 3 个段落，并ALL提取所有 3 个段落和两个图像：

while(page.hasMoreText())
    textList.add(page.nextTextChunk());

if(allMode)
    while(page.hasMoreImages())
        imageList.add(page.nextImage());

我知道 Apache Tika 在后台使用 PDFBox，但我担心这种功能会被 Tika 遮蔽/禁止（在这种情况下，我可能需要直接从 PDFBox 执行此操作）。

所以我问：这可能吗？如果可以，哪个库更适合我使用？我这样做完全错误吗？我在这里没有考虑的任何陷阱/警告？

4

1 回答 1

1

阐述为什么@markStephens 会向您指出一些资源，以提供一些有关PDF 的背景知识。

在文本模式下，只有可见文本（“可见”，就像人类正在阅读 PDF 一样）被读出为字符串。

您的定义“可见”就好像一个人正在阅读 PDF还不是很明确：

  • 1 pt 大小的文本是否可见？放大时，人类可以阅读；但是，在标准放大倍率下不是。哪个尺寸是极限？

  • RGB (128, 129, 128) 中的文本在 (128, 128, 128) 的背景中是否可见？颜色有多大不同？

  • 文本是否以某种白噪声模式显示在某些其他白噪声模式的背景上可见？模式有多大不同？

  • 文本是否仅在屏幕上部分可见？如果是，一个可见像素是否足够？那么，在可见页面区域适合字母上的点的巨大尺寸的某些字符“我”中呢？

  • 被一些可以轻松移动的注释所覆盖的文本，甚至可能被文件中的一些自动执行的 JavaScript 代码所覆盖？

  • 某些可选内容组中的文本仅在打印时可见怎么办？

*...

我希望大多数可用的 PDF 文本解析库忽略所有这些情况并提取文本，最多尊重裁剪框。对于添加了不可见 OCR 文本的图像，通常需要提取该文本。

例如，如果一个 PDF 文件中包含 1 页，并且该页有 3 段连续文本，并且正在自动换行 2 幅图像，则 TEXT_ONLY 将提取所有 3 个段落，并且 ALL 将提取所有 3 个段落并且两者都提取图片：

PDF（通常）不知道段落，只是一些位于页面某处的字形组。识别段落是一项不能保证正常工作的任务，因为工作中有启发式方法。此外，如果您有不规则分隔的多列文本，甚至可能是中间的一些图像（很难确定是否有两列被图像划分或是否有一列具有集成图像），您可以指望对文本流的识别更不用说段落、部分等文本元素了。

如果您的 PDF 被正确标记或全部由工具链生成，而创建的 PDF 内容流中的模式背叛了文本结构，那么您可能会更幸运。但是，在后者的情况下，您的解决方案必须针对该工具链进行定制。

但我担心这种功能被 Tika 遮蔽/禁止（在这种情况下，我可能需要直接从 pdfBox 执行此操作）。

在那里您指向另一个兴趣点：可以将 PDF 标记为禁止提取文本，否则任何人都可以显示它们。虽然从技术上讲，标记为这样的 PDF 可以像没有该标记的文档一样处理，只需一个解码步骤（本质上它们是使用公开密码加密的），但这样做显然违背了作者声明的意图并侵犯了他的版权。

所以我问：这可能吗？如果可以，哪个库更适合我使用？我这样做完全错误吗？我在这里没有考虑的任何陷阱/警告？

只要您期望通用输入 100% 准确，您就应该重新考虑您的架构。

如果 PDF 是您所拥有的全部，并且可行的解决方案是可行的，那么另一方面，有多个可能的库供您使用，iText 和 PDFBox 可以命名，但还有两个，还有更多。哪个最适合您取决于更多因素，例如您是否需要一些通用解决方案或所有 PDF 都是由上述工具链创建的。

但是，无论如何，您都必须自己进行一些编程，以针对您的用例对其进行微调。

于 2013-02-25T13:40:12.620 回答