我正在使用 Apache Tika 从 PDF 文件中提取文本。我想知道如何使用 Apache Tika 获取字体大小、文本颜色、特定文本（几个单词）是否为斜体、粗体等样式信息？
甚至有可能获得这种类型的信息吗？
另外我想是否可以使用 Apache Tika 获取表信息？表格开头、第一行开头、第一个单元格等信息。
问问题
2845 次
3 回答
3
使用PDFTextStream 之类的另一个 api 可能更方便。Tika 从 pdf 中提取原始文本信息，而PDFTextStream为您提供具有相关信息的结构化文本，例如字符编码、高度、文本区域等。
于 2014-02-20T08:13:42.717 回答
1
于 2018-01-27T11:44:22.907 回答
0
使用 mupdf 将 pdf 转换为 Scalable Vector Graphics (svg) xml 格式将为您提供所需的信息。
在此处下载 mupdf 工具：http://artifex.com/developers-mupdf-download/mupdf-download-resources/ 并 选择 GNU AGPL LICENSE
或在这里： https ://mupdf.com/downloads/
详情： https ://mupdf.com/index.html
下载可执行文件后，您应该将 mupdf 可执行文件的路径添加到您的PATH环境变量中。
然后，您可以从命令行界面 (CLI) 使用以下内容来转换 pdf（注意 - 每个页面都有一个单独的 svg 文件）：
mutool convert -F svg -O text=text -o "your_pdf_pg.svg" your_pdf.pdf
更多 CLI 详细信息： https ://mupdf.com/docs/manual-mutool-convert.html
在我见过的所有情况下，每行文本的字体、大小、样式、颜色和页面坐标都是相同的。除了包含在 svg 文件中的下划线和删除线，<paths>与文本位于同一坐标系中。因此，您可以开发一些代码来解析 xml 并使用相应的<u> </u>或<del> </del>相应的标记文本。
于 2018-07-05T20:06:59.057 回答