从PDF中提取所有内容

Question

寻找从PDF文件中提取内容的解决方案（使用控制台工具或库）。

它将用于服务器上，从上传的PDF文件生成在线电子书。

需要提取以下内容：

1.带有字体和样式的文本;

2.图像;

3.音频和视频;

4.链接和热点;

5.页面快照和缩略图;

6.一般的PDF信息，如书籍布局，页数等等。

看着Adobe PDF Library（$5000），BCL SDK(?), PDFLib(€795)，QuickPDF ($250)。

现在我们正在使用开源pdf2xml（提取文本，图像和链接）和GhostScript（快照和缩略图）。剩下的东西是：

1.字体；

2.多媒体；

3.热点；

4.页面信息。

我们正在犹豫是否要支付大量的费用（可能会选择错误的解决方案），还是使用免费/开源的解决方案。

您会推荐哪个最好的解决方案来从PDF中提取几乎所有内容？

任何评论都将不胜感激。

- Maksym

Answer 1

听起来只需要几天或几周的努力，你就可以将这些开源工具适应到你的需求上。字体和其他东西肯定可以被提取出来，这是每个PDF阅读器必须做的事情，以便显示它们。

你应该估算一下程序员的成本（每小时的美元数），并将其乘以添加所需的开源功能所需的估计时间（60-80小时？）。如果这个成本大于或接近5000美元，你可能要考虑购买商业软件。

否则，通过（相当不错的）PDF参考 的帮助，你应该能够很好地完成任务。

还有一件事，你可能会发现Poppler有所帮助。它用于渲染PDF，但与你正在尝试完成的任务非常相关。

- Adam Goode

---

这里的难点在于即使是商业SDK也需要编程工作。在它们的功能摘要中，一切看起来都很棒，但是在查看示例时，仍然不清楚如何将视频提取到外部文件中，它们只会转储注释信息（谈论PDFlib pCOS）。 - Maksym

是的，你必须将这个因素考虑在成本内。 - Adam Goode

Answer 2

此外还有PDF Suite，其中包含3个SDK，专门用于从PDF中提取内容、将PDF呈现为图像并转换为HTML。虽然不支持字体文件提取，但它支持XML输出和文本提取，保留原始布局。

有一个"PDF Multitool"免费实用程序，它基于这个引擎，所以您可以使用它来查看您拥有的PDF文件的工作方式。

声明：我为ByteScout工作

- Eugene

---

它已经在下一个版本的工作中了，它也将能够提取视频。 - Eugene

@alexs，请检查您是否在请求后收到了通知，所有彩票都由技术支持面板进行处理，并且自动发送电子邮件通知有关状态更新的信息（已接收票证，待定，暂停，已解决等）。 - Eugene

@AlexS，请查看您的电子邮件，其中包含具有视频支持的更新版本。 - Eugene

尤金，这里和StackExchange上的整个讨论都是关于“PDF Multi tool”，而不是使用SDK进行编程。我想使用PDF Multi tool（正如您在SE答案中建议的那样）来提取视频，就像它允许提取其他内容一样。如果PDF Multi tool没有更新以支持视频提取，则作为示例解决方案，它是不完整的，我们无法测试它。谢谢，

• A

- Alex S

@AlexS 噢，没问题。ByteScout PDF Multitool 6.20.2354及以后版本也是在几天前更新到了网站上。它能够提取视频和音频（使用菜单中的“数据提取 - 嵌入式多媒体”）。您可以从 https://bytescout.com/products/pdfmultitool/index.html 下载它。 - Eugene

Answer 3

A: 字体：我认为字体无法被提取。

B: 对于多媒体不确定。

C: 什么是热点？

D: 看看iTextSharp（开源）吧，你可能能够提取更多页面信息。

- Mark Redman

---

A: 字体：我认为字体无法被提取。 我们至少需要正确的字体名称才能使用系统字体。B: 对于多媒体不确定 据我所知，多媒体是PDF中的注释对象，因此解决方案应该能够遍历它们以提取正确的内容，对吗？C: 什么是热点？ 热点是一种矩形链接，例如在图像的某个部分。请查看iTextSharp（开源），您可能能够提取更多页面信息。 谢谢，我会尝试一下。 - Maksym

我认为iText是用来生成PDF文件而不是提取其内容的。是吗？ - Maksym

是的，主要用于生成PDF文件，只是想你或许可以提取一些信息，比如页面数量、页面大小和可能的页面信息？另外，也可以看看http://www.tallcomponents.com/，他们也有一些不错的工具。 - Mark Redman

Answer 4

tika http://tika.apache.org/ 它的优势在于从多种类型中提取文本。但它也可以解决你的问题。

对于实现： Tika 的目标是尽可能重用现有的解析器库，如 PDFBox 或 Apache POI，因此 Tika 中的大多数解析器类都是适配器，用于连接这些外部库。

我认为 tika 可以按照你描述的方式工作。提取带有类别的内容。（稍后将添加更多代码。）

---

目前还没有确切的答案。

- paco alcacer

Answer 5

是的，您可以提取文本、文本样式信息、图像、链接注释、书签，甚至可以获取段落 ID 信息，但除了表格。 请查看此链接。

http://www.pdftron.com/pdfnet/index.html

它真的很好用。

- Master Stroke

---

@MS - 视频怎么样？ - Alex S