Як витягнути текст з PDF? [зачинено]

Чи може хтось порекомендувати бібліотеку / API для вилучення тексту та зображень із PDF? Нам потрібно вміти знаходити текст, який міститься в попередньо відомих регіонах документа, тож API потрібно буде надати нам позиційну інформацію про кожен елемент на сторінці.

Ми хотіли б, щоб ці дані виводилися у форматі xmlчи jsonформаті. Зараз ми дивимось на PdfTextStream, який здається досить непоганим, але ми хотіли б почути досвід та пропозиції інших людей.

Чи існують альтернативи (комерційні чи безкоштовні) для вилучення тексту з формату PDF у програмі?

Мені видали pdf-файл на 400 сторінок із таблицею даних, яку мені довелося імпортувати - на щастя, жодних зображень. Ghostscript працював на мене:

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

Вихідний файл був розбитий на сторінки із заголовками тощо, але тоді було легко написати додаток, щоб викреслити порожні рядки тощо тощо та витягнути всі 30000 записів. -dSIMPLEі -dCOMPLEXне мало значення в цьому випадку.

З сьогоднішнього дня я це знаю: найкраще для вилучення тексту з PDF-файлів - це TET, інструментарій вилучення тексту . TET є частиною сімейства продуктів PDFlib.com.

PDFlib.com - компанія Томаса Мерца. Якщо ви не впізнаєте його імені: Томас Мерц є автором "Біблії PostScript і PDF".

Перше втілення ТЕТ - це бібліотека . Це, ймовірно, може зробити все, що хотів Budda006, включаючи позиційну інформацію про кожен елемент на сторінці. О, і це також може витягувати зображення. Він рекомбінує зображення, розбиті на частини.

pdflib.com пропонує ще одне втілення цієї технології, плагін TET для Acrobat . І третє втілення - iFilter PDFlib TET . Це окремий інструмент для робочих столів користувачів. Обидва вони безкоштовно (як у пиві) використовувати для приватних, некомерційних цілей.

І це справді потужно. Набагато краще, ніж власне вилучення тексту Adobe. Він витягнув текст для мене, де інші інструменти (включаючи Adobe) викидають лише сміття.

Я щойно перевірив автономний інструмент для настільних ПК, і те, що вони говорять на своїй веб-сторінці, є правдою. Він має дуже гарний командний рядок. Деякі з моїх «проблемних» тестових файлів PDF цей інструмент обробляв на моє повне задоволення.

Відтепер ця річ стане моєю рекомендацією для всіх складних та складних вимог до вилучення тексту PDF.

ТЕТ просто приголомшливий. Він виявляє таблиці. Всередині таблиць він визначає комірки, що охоплюють кілька стовпців. Він визначає рядки таблиці та вміст кожної комірки таблиці окремо. Він дуже добре справляється з переносами: видаляє дефіси і відновлює повноцінні слова. Він підтримує мови, що не належать до ASCII (включаючи CJK, арабську та іврит). Зустрічаючи лігатури, вона відновлює оригінальні символи ...

Спробувати.

Ефективний інструмент командного рядка, з відкритим кодом, без будь-якої плати, доступний в Linux та Windows: просто названий pdftotext. Цей інструмент є частиною бібліотеки xpdf.

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

Для python є PDFMiner та pyPDF2 . Для отримання додаткової інформації про них див. Модуль Python для перетворення PDF у текст .

Ось моя пропозиція. Якщо ви бажаєте витягнути текст з PDF, ви можете імпортувати pdf-файл у Google Документи, а потім експортувати його у більш дружній формат, такий як .html, .odf, .rtf, .txt тощо. Все це за допомогою API Drive . Він вільний * і надійний. Подивись на:

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

Оскільки це API відпочинку, він сумісний з ВСІМ мовами програмування. Посилання, які я розмістив на aboove, мають приклади роботи для багатьох мов, включаючи: Java, .NET, Python, PHP, Ruby та інші.

Я сподіваюся, що це допомагає.

PdfTextStream (який ви сказали, що переглядали) тепер безкоштовний для однопотокових програм. На мій погляд, його якість набагато краща, ніж інші бібліотеки (особливо для таких речей, як фанки, вбудовані шрифти тощо).

Крім того, ви повинні подивитися на Apache PDFBox , з відкритим кодом.

Для вилучення тексту з PDF може використовуватися бібліотека Docotic.Pdf файлів у вигляді простого тексту або як набір текстових фрагментів з координатами для кожного фрагмента.

Docotic.Pdf може бути використаний для отримання зображень з PDF - файлів теж.

Відмова: Я працюю в Bit Miracle.

Один із коментарів тут використовував gs для Windows. Я мав певний успіх і з цим на Linux / OSX, із таким синтаксисом:

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

Я використовував dSIMPLEзамість того, dCOMPLEXщо останній виводить 1 символ на рядок.

Оскільки питання стосується конкретно альтернативних інструментів для отримання даних з PDF як XML, то, можливо, вам буде цікаво ознайомитись з комерційним інструментом "ByteScout PDF Extractor SDK", який здатний зробити саме це: витягніть текст з PDF як XML разом з дані позиціонування (x, y) та шрифтова інформація:

Текст у вихідному PDF:

Products | Units | Price 

Вихід 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: крім того, він також розбиває текст на структуру на основі таблиці.

Розкриття інформації: Я працюю в ByteScout

Найкраще, про що я зараз можу подумати (у списку «простих» інструментів) - це Ghostscript (поточна версія v.8.71) та програма утиліти PostScript ps2ascii.ps. Ghostscript посилає його у своєму libпідкаталозі. Спробуйте це (у Windows):

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

Ця команда обробляє сторінки 3-7 input.pdf. Прочитайте коментарі у самому ps2ascii.psфайлі, щоб побачити, що означають "дивні" цифри та додаткові відомості ( вони вказують на рядки, позиції, ширину, кольори, зображення, прямокутники, шрифти та розриви сторінок ... ). Щоб отримати "простий" текст, замініть -dCOMPLEXчастину на -dSIMPLE.

Я знаю, що ця тема досить стара, але ця потреба ще жива. Я прочитав багато документів, форумів і сценаріїв і створив новий розширений, який підтримує стислий і нестиснений pdf:

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

У деяких випадках командний рядок заборонений з міркувань безпеки. Тож рідний клас PHP може відповідати багатьом потребам.

Сподіваюся, це допомагає еверону

Для вилучення зображень pdfimages - це безкоштовний інструмент командного рядка для Linux або Windows (win32):

pdfimages: Витягнення та збереження зображень із файлу портативного формату документа (PDF)

Apache pdfbox має цю особливість - текстова частина описана у:

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

для прикладу реалізації див. https://github.com/WolfgangFahl/pdfindexer

testcase TestPdfIndexer.testExtracting показує, як це працює

Здається, QuickPDF - це розумна бібліотека, яка за розумну ціну повинна робити те, що ви хочете.

http://www.quickpdflibrary.com/ - Вони мають 30-денну пробну версію.

У моїх системах Macintosh я вважаю, що "Adobe Reader" робить досить хорошу роботу. Я створив на своєму робочому столі псевдонім, який вказує на "Adobe Reader.app", і все, що я роблю, - це скинути pdf-файл на псевдонім, який робить його активним документом у Adobe Reader, а потім із меню Файл, Я вибираю "Зберегти як текст ...", даю ім'я та де його зберегти, натискаю "Зберегти", і я закінчую.