有没有人可以推荐一个用于从PDF中提取文本和图像的库/API？
我们需要能够获取文档中预先已知区域内的文本，因此API需要为我们提供每个元素在页面上的位置信息。
我们希望将该数据输出为xml或json格式。目前我们正在研究PdfTextStream，它看起来非常不错，但我们想听听其他人的经验和建议。
有没有其他的方法（商业或免费）可以程序化地从PDF中提取文本？
如何从PDF中提取文本？
187
- Budda007
4
15个回答
149
我收到了一份包含数据表格的，共400页的pdf文件需要导入 - 幸运的是没有图片。 Ghostscript 对我很有帮助:
gswin64c -sDEVICE=txtwrite -o output.txt input.pdf
输出文件被拆分成了包含头部等信息的页面，但是很容易编写一个应用程序来剔除空行等内容，并导入所有30,000条记录。在这种情况下，-dSIMPLE和-dCOMPLEX没有任何区别。
- user2176753
6
49在Linux和Cygwin上，命令是
gs而不是gswin64c。效果完美，没有专利付费的垃圾，它只起作用。 - Jannes4好的，没问题！现在我可以毫不顾忌地在我的PDF文件中使用“grep”了。由于我比阅读更擅长使用“grep”，这是一种胜利！（:-）点赞。 - David Elson
1我使用它处理嵌入了“旧”字体的PDF文件时遇到了唯一的问题。对于本地生成的PDF文件，它完美运行，但对于来自不常见来源的PDF文件则更加困难。除此之外，这是一个非常出色的脚本。 - Jon M
“-sDEVICE=txtwrite”是什么意思？我在阅读《如何使用Ghostscript | 选择输出设备》之后并没有完全理解。 - Ooker
对于标准输出而不是保存为文本文件，请使用
gswin64c -sDEVICE=txtwrite -o- input.pdf。来源（稍作修改）：https://gist.github.com/drmohundro/560d72ed06baaf16f191ee8be34526ac - LuH非常感谢！我已经苦苦挣扎了将近三天，试图阅读一个包含表格的PDF，但这个简单的CSharp脚本解决了我的问题。比Word、Adobe Acrobat DC、Tabula或其他任何我尝试过的工具都要好。真是救命稻草。 - RomanPort
43
一款高效的命令行工具，开源且不收取任何费用，在 Linux 和 Windows 平台上均可使用：名称简单，叫做 pdftotext。该工具是 xpdf 库的一部分。
- 131
5
8顺便提一下：使用“-layout”开关可以保留表格，效果不错。 - sebastian
是的，PDFToText的表现出人意料的好。虽然没有完美的东西，但它是我尝试过的最好的工具。我喜欢它有几个不同的算法可以选择。一些算法在处理表格时更有效，另一些算法适用于多列文本，还有一些保留空格，而另一些则削减空格等。它也出人意料地快速。我有一个庞大的1200页 PDF 文件，它只用了几秒钟就提取出了文本，比 Ghostscript 快了约5-10倍。 - Simon East
官方网站是 https://www.xpdfreader.com。 - Simon East
太好了！比使用
gs 获得了更好的结果。pdftext 在行末合并了连字符单词（除非选项 -layout 激活），并保留了一些词间空格，而 gs 则奇怪地合并了这些空格。 - loved.by.Jesus2023 注意：这确实是最佳解决方案。如果您使用的是 macOS，则需要执行“brew install poppins”以获取“pdftotext”和其他实用程序。 - snarik
31
我从今天开始知道了一个事实：从PDF中提取文本的最佳工具是TET文本提取工具包。TET是PDFlib.com产品系列的一部分。
PDFlib.com是Thomas Merz的公司。如果您不认识他的名字：Thomas Merz是“PostScript和PDF圣经”的作者。
TET的第一个版本是库。它很可能可以满足Budda006的所有需求，包括页面上每个元素的位置信息。哦，它还可以提取图像。它重新组合了被分成多个片段的图像。
pdflib.com还提供了这项技术的另一种版本，即Acrobat TET插件。第三种版本是PDFlib TET iFilter。这是一个面向用户桌面的独立工具。这两者都可以免费（就像啤酒一样）用于私人非商业用途。
它确实很强大。比Adobe自己的文本提取效果要好得多。它可以从其他工具（包括Adobe的）无法正确输出的文本中提取出有用内容。
我刚刚测试了桌面独立工具，他们网站上说的都是真的。它具有非常好的命令行功能。一些我“有问题”的PDF测试文件，该工具完全满足了我的需求。
从现在开始，这将是我为所有复杂和挑战性的PDF文本提取需求推荐的工具。
TET非常棒。它能检测表格，并识别跨多个列的单元格。它可以分别识别表格行和每个单元格的内容。它还很好地处理断字：它会去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，它会恢复原始字符......
请试用一下。
- Kurt Pfeifle
8
38没有试用版，花$440只是为了“试试看”有点贵了。 - Rok Strniša
1我测试了一下，它无法识别列。我扫描了一份英文小报的封面。纸上的文字被分成了3列，但是这个插件把句子混在一起，使其看起来像乱码。免费的Ghostscript输出完全相同。 - NoWhereToBeSeen
1@RedHotScalability：顺便说一句，如果使用正确的参数，TET确实可以识别列。但是我将其留给有雄心壮志的JS脚本编写者阅读文档并找出如何做为练习... - Kurt Pfeifle
5刚刚对比了TET、Xpdf pdftotext以及Ghostscript的结果。PDF文件包含拉丁文和西里尔文，并采用多列布局。其中，Xpdf pdftotext表现最好，其次是Ghostscript，而最差的则是TET。 - zoran
显示剩余3条评论
13
这是我的建议。 如果您想从PDF中提取文本，可以将PDF文件导入Google Docs，然后将其导出到更友好的格式，例如.html、.odf、.rtf、.txt等。所有这些都使用Drive API。这是免费的*和强大的。请查看:
https://developers.google.com/drive/v2/reference/files/insert https://developers.google.com/drive/v2/reference/files/get
由于它是rest API，它与所有编程语言兼容。我发布的链接具有许多语言的工作示例，包括:Java、.NET、Python、PHP、Ruby等。
希望对您有所帮助。
- dev4life
3
3我使用过该选项，但我不建议使用。谷歌的PDF文本提取并不如许多替代方案（特别是针对非英语部分），而且速度也非常慢。 - Björn Lindqvist
我刚在标准的Google Docs UI中测试了这个功能，实际上我对它的表现感到惊讶。它可以正确解析具有多个文本列的文档，并且是我尝试过的唯一一个工具，可以在认为文本是单个段落的延续时删除行返回，但在其他地方保留行返回。它并不完美，需要一些手动调整，但似乎比大多数其他工具更好，这些工具只会在PDF的每一行末尾强制换行。 - Simon East
我对谷歌的隐私问题非常担忧：他们到底如何处理您上传到他们云盘的数据/文件。通常情况下，我总是更喜欢使用离线方法：
gs或pdftotext。在我看来，将文件上传到谷歌，使用他们的服务器，然后再下载似乎是一种浪费能源和资源的行为——这是我的观点。 - loved.by.Jesus11
PdfTextStream（你说你一直在看的）现在适用于单线程应用程序，且免费。在我看来，它的质量比其他库要好得多（尤其是对于像时髦的嵌入字体等东西）。它有Java和C#版本。
或者，你可以看看开源的Apache PDFBox。
- Renaud
6
PdfTextStream在Android中不受支持。是否有类似于此的好库可用于Android？ - FaisalAhmed
@FaisalAhmed PDFBox怎么样？ - Renaud
是的，PdfBox在Android上也不受支持... PdfTextStream和PdfBox都使用了一些在Android上不受支持的awt部分。 - FaisalAhmed
我正在使用这个库，它在安卓上运行良好：https://github.com/TomRoush/PdfBox-Android - FaisalAhmed
PdfTextStream仅适用于C#和Java。 - Simon East
@SimonEast 你可以将它封装为一个Java服务，然后从其他语言中调用它... - Renaud
7
这里有一个评论提到在Windows上使用gs，我也曾在Linux/OSX上尝试过，下面是语法：
gs \
-q \
-dNODISPLAY \
-dSAFER \
-dDELAYBIND \
-dWRITESYSTEMDICT \
-dSIMPLE \
-f ps2ascii.ps \
"${input}" \
-dQUIET \
-c quit
我使用了
dSIMPLE而不是dCOMPLEX，因为后者每行输出一个字符。- kvz
6
- Bobrovsky
5
作为这个问题特别关于从PDF提取数据的替代工具，你可能会对商业工具 "ByteScout PDF Extractor SDK" 感兴趣，它能够精确地从PDF中提取文本作为XML，并带有定位数据（x，y）和字体信息。
源PDF中的文本：
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>
P.S.：此外，它还将文本分成基于表格的结构。
披露：我为ByteScout工作
- Eugene
3
目前我能想到的最好的（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将其打包在其lib子目录中。在Windows上尝试以下操作：
gswin32c.exe ^
-q ^
-sFONTPATH=c:/windows/fonts ^
-dNODISPLAY ^
-dSAFER ^
-dDELAYBIND ^
-dWRITESYSTEMDICT ^
-dCOMPLEX ^
-f ps2ascii.ps ^
-dFirstPage=3 ^
-dLastPage=7 ^
input.pdf ^
-dQUIET ^
-c quit
这个命令处理中第3-7页的内容。阅读文件中的注释，以了解“奇怪”的数字和附加信息的含义（它们表示字符串、位置、宽度、颜色、图片、矩形、字体和分页符等等...）。要获得“简单”的文本输出，请用-dSIMPLE替换-dCOMPLEX部分。
- Kurt Pfeifle
4
2正如你所猜测的那样，这只输出ASCII文本。虽然免费，但对于计划使用其他语言编写软件来说并不是一个很好的选择。 - userx
3@userx：正如你所猜测的那样，这是免费软件：因此源代码可用。可以扩展以支持非ASCII字符... - Kurt Pfeifle
@userx：今天我发现了来自pdflib.com的“TET”，即文本提取工具包。请查看我的其他答案。 - Kurt Pfeifle
Ghostscript 9.07 中的 ps2ascii 在我的 OpenBSD 系统上运行得非常好。我刚刚将一份 526 页的 PDF 转换为纯文本。现在我可以轻松地使用 grep 提取文本以供笔记使用。我使用了简单的命令
ps2ascii book.pdf notes.txt。如果您的文档主要是 ASCII，那么您很幸运。 - Clint Pachl网页内容由stack overflow 提供, 点击上面的可以查看英文原文，
原文链接
原文链接
/^\s*\[?\((.*?)\)\]?\s*T[Jj]/mg。它只是寻找Tj/TJ运算符，这表示PDF中的所有普通文本。 - Alex R