我的目标是从 PDF 文件中提取文本和图像，同时解析其结构。解析结构的范围并不详尽；我只需要能够识别标题和段落。
我尝试了一些不同的东西，但我在其中的任何一个中都没有走得太远：
- 将 PDF 转换为文本。它对我不起作用，因为我丢失了图像和文档的结构。
- 将 PDF 转换为 HTML。我找到了一些可以帮助我解决这个问题的工具，迄今为止最好的工具是 pdftohtml。该工具在演示方面非常出色，但我无法成功解析 HTML。
- 将 PDF 转换为 XML。和上面一样。
有人对如何解决这个问题有任何建议吗？
问问题
84619 次
7 回答
22
本质上没有一个简单的剪切和粘贴解决方案，因为 PDF 对结构并不是很感兴趣。该站点上还有许多其他答案可以更详细地告诉您，但是这个答案应该为您提供要点：
如果识别 PDF 文档中的文本结构如此困难，那么 PDF 阅读器是如何做到如此出色的呢？
如果您想在 PDF 本身中执行此操作（您将拥有对该过程的大部分控制权），则必须遍历页面上的所有文本并通过查看其文本属性（使用的字体、相对于页面上的其他文本等...）。
最重要的是，您还必须通过查看文本片段的位置、页面上的空白、某些字母、单词和行的接近程度来识别段落...... PDF 本身甚至没有一个概念“单词”，更不用说“行”或“段落”了。
更复杂的是，文本在页面上的绘制方式（以及它在 PDF 文件本身中出现的顺序）甚至不必是正确的阅读顺序（或者我们人类认为正确的顺序）阅读顺序）。
于 2014-05-03T14:35:42.637 回答
4
您可以将以下方法与 iTextSharp 或其他开源库一起使用：
- 使用iTextSharp或类似的开源工具读取 PDF 文件并将所有文本对象收集到一个数组中（或使用pdftohtml之类的工具将 PDF 转换为 HTML ，然后解析 HTML）
- 按坐标对所有文本对象进行排序，以便将它们放在一起
- 然后遍历对象并检查它们之间的距离，看看是否可以将 2 个或多个对象合并到一个段落中
或者您可以使用商业工具，例如ByteScout PDF Extractor SDK，它能够做到这一点：
- 提取文本和图像以及分析文本的布局
- XML 或 CSV，其中文本对象在虚拟布局网格内合并或拆分为段落
- 通过特殊的 API 访问对象，这使得可以通过其“虚拟”行和列索引来处理每个对象，而不管它如何存储在原始 PDF 中。
免责声明：我隶属于 ByteScout
于 2015-02-16T10:07:19.830 回答
4
PDF 解析标题及其子内容确实非常困难（这并不意味着它不可能），因为 PDF 有多种格式。但我最近遇到了一个名为GROBID的工具，它可以在这种情况下提供帮助。我知道这并不完美，但如果我们提供适当的培训，它可以实现我们的目标。
Grobid 作为 github 上的开源提供。
于 2018-03-17T01:50:18.613 回答
3
PDF 文件可以用 tabula-py 或 tabula-java 解析。
我在这篇文章中做了一个关于如何使用 tabula-py 的完整教程。只要您安装了 Java，您也可以在 Web 浏览器中制作表格。
于 2019-02-09T03:05:49.987 回答
0
除非它是标记内容，否则 PDF 没有结构......您必须“猜测”它，这就是各种工具正在做的事情。有一篇很好的博客文章解释了 http://blog.idrsolutions.com/2010/09/the-easy-way-to-discover-if-a-pdf-file-contains-structured-content/上的问题
于 2009-06-02T07:11:14.693 回答
-10
iText api: PdfReader pr=new PdfReader("C:\test.pdf");
参考资料：PDFReader
于 2018-02-23T10:01:05.587 回答