itext - 使用 iText 提取 PDF 文本

我们正在研究信息提取，我们想使用iText。

我们正在探索 iText。根据我们查阅过的文献，iText 是最好的工具。是否可以从 iText 中每行的 pdf 中提取文本？我在与我的相关的 stackoverflow 中阅读了一个问题帖子，但它只是读取文本而不是提取它。任何人都可以帮助我解决我的问题吗？谢谢你。

最佳答案

就像西奥多说的，你可以从 pdf 中提取文本，就像克里斯指出的那样



最好的办法是购买 Bruno Lowagie 的书 Itext in action。在第二版中，第 15 章涵盖了文本提取。

但是您可以查看他的网站以获取示例。 http://itextpdf.com/examples/iia.php?id=279

您可以解析它以创建一个普通的 txt 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



如果您查看其他示例，它将显示如何省略部分文本或如何提取部分 pdf。

希望能帮助到你。

关于itext - 使用 iText 提取 PDF 文本，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/8821107/