我们正在做信息提取方面的研究，我们想使用iText。
我们正在探索 iText。根据我们查阅的文献，iText 是最好用的工具。是否可以从 iText 中的每行 pdf 中提取文本？我已经在 stackoverflow 中阅读了与我的相关的问题帖子，但它只是读取文本而不是提取它。谁能帮我解决我的问题吗？谢谢你。
就像 Theodore 说的，你可以从 pdf 中提取文本，并且像 Chris 指出的那样
只要它实际上是文本（不是轮廓或位图）
最好的办法是购买 Bruno Lowagie 的书《Itext in action》。在第二版中，第 15 章介绍了文本提取。
但是你可以看看他的网站上的例子。 http://itextpdf.com/examples/iia.php?id=279
您可以解析它以创建一个纯文本文件。 这是一个代码示例：
/*
* This class is part of the book "iText in Action - 2nd Edition"
* written by Bruno Lowagie (ISBN: 9781935182610)
* For more info, go to: http://itextpdf.com/examples/
* This example only works with the AGPL version of iText.
*/
package part4.chapter15;
import java.io.FileOutputStream;
import java.io.IOException;
import java.io.PrintWriter;
import com.itextpdf.text.pdf.PdfReader;
import com.itextpdf.text.pdf.parser.PdfReaderContentParser;
import com.itextpdf.text.pdf.parser.SimpleTextExtractionStrategy;
import com.itextpdf.text.pdf.parser.TextExtractionStrategy;
public class ExtractPageContent {
/** The original PDF that will be parsed. */
public static final String PREFACE = "resources/pdfs/preface.pdf";
/** The resulting text file. */
public static final String RESULT = "results/part4/chapter15/preface.txt";
/**
* Parses a PDF to a plain text file.
* @param pdf the original PDF
* @param txt the resulting text
* @throws IOException
*/
public void parsePdf(String pdf, String txt) throws IOException {
PdfReader reader = new PdfReader(pdf);
PdfReaderContentParser parser = new PdfReaderContentParser(reader);
PrintWriter out = new PrintWriter(new FileOutputStream(txt));
TextExtractionStrategy strategy;
for (int i = 1; i <= reader.getNumberOfPages(); i++) {
strategy = parser.processContent(i, new SimpleTextExtractionStrategy());
out.println(strategy.getResultantText());
}
reader.close();
out.flush();
out.close();
}
/**
* Main method.
* @param args no arguments needed
* @throws IOException
*/
public static void main(String[] args) throws IOException {
new ExtractPageContent().parsePdf(PREFACE, RESULT);
}
}
注意许可证
此示例仅适用于 AGPL 版本的 iText。
如果您查看其他示例，它将展示如何省略部分文本或如何提取 pdf 的部分。
希望有帮助。
iText 允许您做到这一点，但不能保证文本块的粒度，这些取决于生成文档时使用的实际 pdf 渲染器。
每个单词甚至字母很可能都有自己的文本块。这些也不需要按词汇顺序排列，为了获得可靠的结果，您可能必须根据文本块的坐标重新排序。此外，您可能还需要计算是否需要在文本块之间插入空格。
在较新版本的 itext 中：
public static void main(String[] args) throws Exception {
try (var document = new PdfDocument(new PdfReader("your.pdf"))) {
var strategy = new SimpleTextExtractionStrategy();
for (int i = 1; i < document.getNumberOfPages(); i++) {
String text = PdfTextExtractor.getTextFromPage(document.getPage(i), strategy);
System.out.println(text);
}
}
}
一个问题。当我尝试阅读我的 PDF 时，我得到了这个回报。
f...'11MPLES \n���������������������������\nILIClotüL \n�\n��������������������������� !\n\"#$���������������������������\n\"#$��%&��’�()(*�+\n,�-\"./-����0�1��2&���3�3�\n�\n456789:;<=>?@A6B:6C:8D;EFGE8D@\nHI,J�KL2(M����N3�0!3��O I����P�#��2��(�+��,PQR’QS\"IHP�TQUHV�H\"Q�WT-\"\n-�X�����\"Y��X$����� �������0 Q�)(������\"#$��%&���H��#�XZ*M(� ’#X�*X��#�+��.(�#+�2�I�M(�*�+��.(�\n�\n[56789:;<=>?@A6B=6\\]G;=>^:6_‘abc4[d[_[4_4__4\n,��e�������\
有什么解决办法吗？
我有两个 PDF，其中一个 pdfReader 中的 pdfVersion 显示为 52 '4'，读起来很漂亮。错误的是 54 '7' pdfVersion，并像这样返回。