PDF转文本工具或Java库？

Question

我需要将一份PDF文件转换成普通文本（这是我们县选举主任的“选票报告”）。这些文件很大（大约有2000页），主要包含表格。一旦我将其转换为文本，就会使用我正在编写的程序对其进行解析，并将数据放入数据库中。 我已经尝试过Adobe Reader中的“另存为文本”功能，但它不如我想象的那样精确，特别是在将表格数据分隔成CSV时。 那么，有没有工具或Java库可以解决这个问题？

- Gary Kephart

---

我有一种感觉，表格数据可能会让你头疼... - Knobloch

是的。表头和页面标题也要翻译。虽然在一个文档中保持一致，但在不同的文档之间并不一致。每次选举一个文档，而且似乎每次选举都会改变格式。 - Gary Kephart

Answer 1

有两个选择：

1. iText - 似乎PdfTextExtractor类可以实现您想要的功能。

2. Apache PDFBox声称“PDF到文本提取”是其最重要的功能。它有一个ExtractText命令行工具，专门用于此目的（源代码），基于它的PDFTextStripper类。还有一个PDFBox文本提取指南！

- mmyers

---

iText可以进行一些阅读，但是可能有更好的工具（如您提到的PDFBox）来实现这一点... - Knobloch

好的，我刚试了一下。它在表格数据上运行得非常好，但是列标题混乱了，可能是因为它们是垂直对齐的文本。 - Gary Kephart

PDFBox的参考资料，虽然现在链接已经变了，但今晚对我仍然非常有用！ :-) - Arjan

Answer 2

给定问题的标题：Apache Tika对我从PDF中提取纯文本非常有效。但我没有使用它从表格中获取文本。

对于PDF，它实际上是使用PDFBox。但除了PDF之外，它还可以处理其他格式，如Microsoft Word（doc和docx），Excel和PowerPoint，OpenOffice.org/LibreOffice ODT，HTML，XML以及许多其他格式。其AutoDetectParser使得从任何输入中获取文本变得容易。

如果需要处理结果文本（例如通过将其传递给分类器Mahout），则可以使用ParsingReader将结果转换为Reader，而后台进程会提取它。最后，在提取内容时，它还会填充找到的元数据：

public Reader getPlainTextReader(final InputStream is) {
    try {
        Detector detector = new DefaultDetector();
        Parser parser = new AutoDetectParser(detector);
        ParseContext context = new ParseContext();
        context.set(Parser.class, parser);
        Metadata metadata = new Metadata();

        Reader reader = new ParsingReader(parser, is, metadata, context);

        for (String name : metadata.names()) {
            for (String value : metadata.getValues(name)) {
                logger.debug("Document {}: {}", name, value);
            }
        }

        return reader;

    } catch (IOException e) {
        ...
    }
}

- Arjan

Answer 3

PDFTextStream 是我们的Java+.NET库，用于从PDF文档中提取内容；你可以尝试一下。此外，它还提供了简单的表格数据提取工具，这些工具建立在PDFTextStream的表格检测功能之上。虽然它不是一个通用解决方案（尽管我们也在开发这样的解决方案！），但如果表格数据已经明确定义（例如由线条界定的行和列等），那么现有的解决方案可能会适合您。

- cemerick

Answer 4

我一直觉得xpdf 工具非常有用。

我们成功地使用了将 PDF 业务文档转换为文本的功能，以在 EDI 中使用。保留布局选项能很好地保持排版良好，适合在程序中解析。

- Jarod Elliott

---

这对我很有效。-layout标志有助于在文本文件中保持表格的可用格式。 - Tim Perry

Answer 5

使用文本（行）打印机将内容打印到文件中。

- dirkgently

Answer 6

我使用iText，一直非常满意。 我以前用过xmlpdf，但在我看来，iText要好得多。

- SacramentoJoe

Answer 7

不知道您的PDF页面布局是什么样子，很难说。

我建议您下载并尝试使用iText和PDFBox。它们的网站上都有文本提取示例 - 假设您熟悉Java，您应该可以在30分钟内运行提取器。

从PDFBox开始，因为它的文本提取能力比iText更好。

其他人已经提到了xpdf，这可能对您有用。它是一个带有一些命令行工具的C库。它有许多文本提取器，您可能可以轻松地格式化输出。同样，这真的取决于您的页面布局。

- Steve Claridge