如何从PDF中提取文本？[关闭]

谁能推荐一个库/ API来从PDF中提取文本和图像？我们需要能够获取文档的已知区域中包含的文本，因此API需要向我们提供页面上每个元素的位置信息。

我们希望将数据输出到 xml或json格式。我们目前正在看的PdfTextStream看起来不错，但是希望听到其他人的经验和建议。

是否可以通过编程方式从pdf提取文本的替代方法（商业方法或免费方法）？

我得到了一个400页的pdf文件，其中包含必须导入的数据表-幸运的是没有图像。Ghostscript为我工作：

gswin64c -sDEVICE=txtwrite -o output.txt input.pdf

输出文件被分成带有标题等的页面，但是随后很容易编写一个应用程序以去除空白行等，并吸收所有30,000条记录。-dSIMPLE并-dCOMPLEX提出在这种情况下没有区别。

从今天开始我就知道了：从PDF提取文本的最好方法是TET，即文本提取工具包。TET是PDFlib.com产品家族的一部分。

PDFlib.com是Thomas Merz的公司。如果您不知道他的名字：托马斯·梅尔兹（Thomas Merz）是《 PostScript和PDF圣经》的作者。

TET的第一个化身是图书馆。那可能可以完成Budda006想要的所有事情，包括有关页面上每个元素的位置信息。哦，它也可以提取图像。它重新组合成碎片的图像。

pdflib.com还提供了该技术的另一种形式，即Acrobat的TET插件。第三类是PDFlib TET iFilter。这是用于用户桌面的独立工具。两者都是免费的（例如在啤酒中），可用于私人，非商业目的。

它真的很强大。比Adobe自己的文本提取更好。它为我提取了其他工具（包括Adobe的工具）仅吐出垃圾的文本。

我刚刚测试了桌面独立工具，他们在网页上所说的是正确的。它有一个非常好的命令行。我对某些“有问题的” PDF测试文件的处理感到非常满意。

从现在开始，对于所有复杂且具有挑战性的PDF文本提取要求，我都会建议您这样做。

TET真是太棒了。它检测表。在表内部，它标识跨多个列的单元格。它分别标识表行和每个表单元格的内容。它可以很好地处理连字符：它删除连字符并恢复完整的单词。它支持非ASCII语言（包括CJK，阿拉伯语和希伯来语）。遇到连字时，它会还原原始字符...

试试看。

一个有效的命令行工具，开源，免费且免费，可在linux和Windows上使用：简称为pdftotext。该工具是xpdf库的一部分。

http://en.wikipedia.org/wiki/Pdftotext

对于python，有PDFMiner和pyPDF2。有关这些的更多信息，请参见用于将PDF转换为文本的Python模块。

这是我的建议。如果要从PDF提取文本，则可以将pdf文件导入Google文档，然后将其导出为更友好的格式，例如.html，.odf，.rtf，.txt等。所有这些均使用Drive API 。它是免费的*，功能强大。看一眼：

https://developers.google.com/drive/v2/reference/files/insert https://developers.google.com/drive/v2/reference/files/get

因为它是rest API，所以它与所有编程语言兼容。我发布的链接包含许多语言的有效示例，包括：Java，.NET，Python，PHP，Ruby和其他语言。

希望对您有所帮助。

PdfTextStream（您说过您一直在看）现在对单线程应用程序免费。在我看来，它的质量比其他库要好得多（尤其是对于时髦的嵌入式字体等而言）。

另外，您应该看看Apache PDFBox开源。

Docotic.Pdf库可用于从PDF提取文本文件中将文本为纯文本或文本块的集合，每个块具有坐标。

Docotic.Pdf也可以用于从PDF提取图像。

免责声明：我为Bit Miracle工作。

此处的注释之一是在Windows上使用gs。我在Linux / OSX上也取得了一些成功，使用以下语法：

gs \
 -q \
 -dNODISPLAY \
 -dSAFER \
 -dDELAYBIND \
 -dWRITESYSTEMDICT \
 -dSIMPLE \
 -f ps2ascii.ps \
 "${input}" \
 -dQUIET \
 -c quit

我之所以使用dSIMPLE而不是dCOMPLEX因为后者每行输出1个字符。

由于该问题专门针对以XML格式从PDF获取数据的替代工具，因此您可能有兴趣查看商业工具“ ByteScout PDF Extractor SDK”能够做到这一点：以XML的形式从PDF中提取文本以及定位数据（x，y）和字体信息：

源PDF中的文本：

Products | Units | Price 

输出XML：

 <row>
 <column>
  <text fontName="Arial" fontSize="11.0" fontStyle="Bold" x="212" y="126" width="47" height="11">Products</text> 
  </column>
 <column>
  <text fontName="Arial" fontSize="11.0" fontStyle="Bold" x="428" y="126" width="27" height="11">Units</text> 
  </column>
 <column>
  <text fontName="Arial" fontSize="11.0" fontStyle="Bold" x="503" y="126" width="26" height="11">Price</text> 
  </column>
</row>

PS：此外，它还将文本分成基于表格的结构。

披露：我为ByteScout工作

我目前能想到的最好的东西（在“简单”工具列表中）是Ghostscript（当前版本为v.8.71）和PostScript实用程序ps2ascii.ps。Ghostscript将其放在其lib子目录中。尝试此操作（在Windows上）：

gswin32c.exe ^
   -q ^
   -sFONTPATH=c:/windows/fonts ^
   -dNODISPLAY ^
   -dSAFER ^
   -dDELAYBIND ^
   -dWRITESYSTEMDICT ^
   -dCOMPLEX ^
   -f ps2ascii.ps ^
   -dFirstPage=3 ^
   -dLastPage=7 ^
   input.pdf ^
   -dQUIET ^
   -c quit

此命令处理的页面3-7 input.pdf。阅读ps2ascii.ps文件本身中的注释，以查看“怪异”数字和其他信息的含义（它们表示字符串，位置，宽度，颜色，图片，矩形，字体和分页符...）。要获得“简单”的文本输出，请用替换-dCOMPLEX零件-dSIMPLE。

我知道这个话题已经很老了，但是这种需求仍然存在。我阅读了许多文档，论坛和脚本，并构建了一个支持压缩和未压缩pdf的新的高级文档：

https://gist.github.com/smalot/6183152

在某些情况下，出于安全原因，命令行被禁止。因此，本机PHP类可以满足许多需求。

希望对大家有帮助

对于图像提取，pdfimages是用于Linux或Windows（win32）的免费命令行工具：

pdfimages：从可移植文档格式（PDF）文件中提取和保存图像

Apache pdfbox具有此功能-文本部分描述如下：

http://pdfbox.apache.org/apidocs/org/apache/pdfbox/util/PDFTextStripper.html

有关示例实现的信息，请参见 https://github.com/WolfgangFahl/pdfindexer

测试用例TestPdfIndexer.testExtracting展示了它是如何工作的

QuickPDF似乎是一个合理的库，应该以合理的价格满足您的需求。

http://www.quickpdflibrary.com/- 他们有30天的试用期。

在我的Macintosh系统上，我发现“ Adob​​e Reader”做得相当不错。我在桌面上创建了一个指向“ Adob​​e Reader.app”的别名，我要做的就是在该别名上放置一个pdf文件，使其成为Adobe Reader中的活动文档，然后从“文件”菜单中，我选择“另存为文本...”，为其指定名称和保存位置，然后单击“保存”，然后完成。