从PDF转换为字符串

Question

如何以最简单的方式将PDF文件中的文本（单词）作为一个长字符串或字符串数组获取。

我尝试过pdfbox，但对我来说无效。

- Ankur

---

PDFBox出了什么问题？您是在寻找替代方案还是想要解决现有的问题？ - Catchwa

我也不喜欢这个API的设计，我快速查看了iText，我认为那是一个更好的选择。对于我的需求来说，该API似乎更加合理。 - Ankur

Answer 1

使用iText。例如，以下代码片段将提取文本。

PdfTextExtractor parser = new PdfTextExtractor(new PdfReader("C:/Text.pdf"));
parser.getTextFromPage(3);

- Kushal Paudyal

---

OpenPDF 的一部分。 - Sander Verhagen

Answer 2

PDFBox在许多较新的PDF文件中存在问题，特别是那些嵌入PNG图像的文件。

我对PDFTextStream印象非常深刻。

- Sam Barnum

Answer 3

JPedal和Multivalent也提供了Java中的文本提取，或者您可以使用Runtime.exec访问xpdf

- mark stephens

Answer 4

嗯，我之前使用了Tika来从PDF中提取原始文本（它基于PDFBox），但我认为Tika只有在需要从不同的文件格式中提取文本时才有用（自动检测功能非常实用）。

如果你只想将PDF解析成文本，我建议你使用PDFTextStream，因为它是一个比其他API（如iText和PDFBox）更好的解析器。

通过PDFTextStream，你可以轻松获取结构化文本（页码->块->行->文本单元），并且它还能提供一些相关信息，例如字符编码、高度、字符在页面中的位置等。

示例：

public class ExtractTextAllPages {
    public static void main (String[] args) throws IOException {
        String pdfFilePath = args[0];
        PDFTextStream pdfts = new PDFTextStream(pdfFilePath); 
        StringBuilder text = new StringBuilder(1024);
        pdfts.pipe(new OutputTarget(text));
        pdfts.close();
        System.out.printf("The text extracted from %s is:", pdfFilePath);
        System.out.println(text);
    }
}

- yeaaaahhhh..hamf hamf