- android - 多次调用 OnPrimaryClipChangedListener
- android - 无法更新 RecyclerView 中的 TextView 字段
- android.database.CursorIndexOutOfBoundsException : Index 0 requested, 光标大小为 0
- android - 使用 AppCompat 时,我们是否需要明确指定其 UI 组件(Spinner、EditText)颜色
我有一个场景,我需要一个 Java 应用程序能够以以下两种模式之一从 PDF 文件中提取内容:TEXT_ONLY
或 ALL
。在文本模式中,只有可见文本(“可见”,就像人类正在阅读 PDF 一样)被读出为字符串。在全部模式下,所有内容(文本、图像等)都会从文件中读出。
例如,如果 PDF 文件中有 1 个页面,并且该页面有 3 个连续文本段落,并且自动换行 2 个图像,则 TEXT_ONLY
将提取所有 3 个段落,而 ALL
将提取所有 3 个段落和两个图像:
while(page.hasMoreText())
textList.add(page.nextTextChunk());
if(allMode)
while(page.hasMoreImages())
imageList.add(page.nextImage());
我知道 Apache Tika 在底层使用 PDFBox,但担心这种功能被 Tika 遮蔽/禁止(在这种情况下,我可能需要直接从 PDFBox 执行此操作)。
所以我问:这可能吗,如果可以,哪个库更适合我使用?我的处理方式完全错误吗?我在这里没有考虑到任何陷阱/警告吗?
最佳答案
从某些方面阐述为什么 @markStephens 会向您推荐一些提供 PDF 背景知识的资源。
In text mode, only visible text ("visible" as if a human being was reading the PDF) is read out into strings.
您的定义“可见”就像人类正在阅读 PDF 一样尚未明确定义:
1 pt 大小的文本是否可见?放大时,人类可以阅读;但在标准放大倍率下则不然。哪个尺寸是限制?
在 (128, 128, 128) 背景中 RGB (128, 129, 128) 文本是否可见?颜色有多大不同?
文本是否以某些白噪声图案显示在其他可见的白噪声图案的背景上?模式有多大不同?
屏幕上的文字是否仅部分可见?如果是,一个可见像素就足够了吗?那么某个巨大尺寸的字符“I”,其可见页面区域适合字母上的点呢?
被某些注释覆盖的文本怎么样,这些注释可以轻松移动,甚至可以通过文件中的某些自动执行的 JavaScript 代码移动?
某些可选内容组中的文本仅在打印时可见怎么办?
*...
我希望大多数可用的 PDF 文本解析库都会忽略所有这些情况并提取文本,最多尊重裁剪框。如果图像添加了不可见的 OCR 文本,则通常需要提取该文本。
For instance, if a PDF file was to have 1 page in it, and that page had 3 paragraphs of contiguous text, and was word-wrapping 2 images, then TEXT_ONLY would extract all 3 paragraphs, and ALL would extract all 3 paragraphs and both images:
PDF(一般来说)不知道段落,只知道位于页面某处的一些字形组。识别段落是一项无法保证正常工作的任务,因为工作中存在启发式方法。此外,如果您有不规则分隔的多列文本,甚至中间可能有一些图像(因此很难确定是否有两列被图像分开,或者是否有一列带有集成图像),您可以指望文本流的识别,更不用说段落、部分等文本元素的识别会惨败。
如果您的 PDF 已正确标记或全部由工具链生成,而创建的 PDF 内容流中的模式背叛了文本结构,那么您可能会更幸运。但如果是后者,您的解决方案必须针对该工具链进行定制。
but am worried that this kind of functionality is shaded/prohibited by Tika (in which case, I probably need to do this directly from pdfBox).
这里你指出了另一个有趣的点:PDF 可以被标记为禁止文本提取,而任何人都可以显示它们。虽然从技术上讲,带有此类标记的 PDF 可以像没有该标记的文档一样处理,只需一个解码步骤(本质上它们是使用公开密码加密的),但这样做显然违背了作者声明的意图并侵犯了他的版权。
So I ask: is this possible, and if so, which library is more appropriate for me to use? Am I going about this entirely the wrong way? Any pitfalls/caveats I am not considering here?
只要您期望通用输入 100% 准确,您就应该重新考虑您的架构。
如果您拥有的只有 PDF,并且尽可能有效的解决方案就可以了,但另一方面,有多个可能的库供您选择,iText 和 PDFBox 仅举两个,而还有更多。哪一个最适合您取决于更多因素,例如关于您是否需要一些通用解决方案,或者所有 PDF 都由上述工具链创建。
无论如何,您都必须自己进行一些编程,以便根据您的用例对它们进行微调。
关于java - 阅读 PDF 文本和/或所有内容,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/15054970/
我正在编写一个具有以下签名的 Java 方法。 void Logger(Method method, Object[] args); 如果一个方法(例如 ABC() )调用此方法 Logger,它应该
我是 Java 新手。 我的问题是我的 Java 程序找不到我试图用作的图像文件一个 JButton。 (目前这段代码什么也没做,因为我只是得到了想要的外观第一的)。这是我的主课 代码: packag
好的,今天我在接受采访,我已经编写 Java 代码多年了。采访中说“Java 垃圾收集是一个棘手的问题,我有几个 friend 一直在努力弄清楚。你在这方面做得怎么样?”。她是想骗我吗?还是我的一生都
我的 friend 给了我一个谜语让我解开。它是这样的: There are 100 people. Each one of them, in his turn, does the following
如果我将使用 Java 5 代码的应用程序编译成字节码,生成的 .class 文件是否能够在 Java 1.4 下运行? 如果后者可以工作并且我正在尝试在我的 Java 1.4 应用程序中使用 Jav
有关于why Java doesn't support unsigned types的问题以及一些关于处理无符号类型的问题。我做了一些搜索,似乎 Scala 也不支持无符号数据类型。限制是Java和S
我只是想知道在一个 java 版本中生成的字节码是否可以在其他 java 版本上运行 最佳答案 通常,字节码无需修改即可在 较新 版本的 Java 上运行。它不会在旧版本上运行,除非您使用特殊参数 (
我有一个关于在命令提示符下执行 java 程序的基本问题。 在某些机器上我们需要指定 -cp 。 (类路径)同时执行java程序 (test为java文件名与.class文件存在于同一目录下) jav
我已经阅读 StackOverflow 有一段时间了,现在我才鼓起勇气提出问题。我今年 20 岁,目前在我的家乡(罗马尼亚克卢日-纳波卡)就读 IT 大学。足以介绍:D。 基本上,我有一家提供簿记应用
我有 public JSONObject parseXML(String xml) { JSONObject jsonObject = XML.toJSONObject(xml); r
我已经在 Java 中实现了带有动态类型的简单解释语言。不幸的是我遇到了以下问题。测试时如下代码: def main() { def ks = Map[[1, 2]].keySet()
一直提示输入 1 到 10 的数字 - 结果应将 st、rd、th 和 nd 添加到数字中。编写一个程序,提示用户输入 1 到 10 之间的任意整数,然后以序数形式显示该整数并附加后缀。 public
我有这个 DownloadFile.java 并按预期下载该文件: import java.io.*; import java.net.URL; public class DownloadFile {
我想在 GUI 上添加延迟。我放置了 2 个 for 循环,然后重新绘制了一个标签,但这 2 个 for 循环一个接一个地执行,并且标签被重新绘制到最后一个。 我能做什么? for(int i=0;
我正在对对象 Student 的列表项进行一些测试,但是我更喜欢在 java 类对象中创建硬编码列表,然后从那里提取数据,而不是连接到数据库并在结果集中选择记录。然而,自从我这样做以来已经很长时间了,
我知道对象创建分为三个部分: 声明 实例化 初始化 classA{} classB extends classA{} classA obj = new classB(1,1); 实例化 它必须使用
我有兴趣使用 GPRS 构建车辆跟踪系统。但是,我有一些问题要问以前做过此操作的人: GPRS 是最好的技术吗?人们意识到任何问题吗? 我计划使用 Java/Java EE - 有更好的技术吗? 如果
我可以通过递归方法反转数组,例如:数组={1,2,3,4,5} 数组结果={5,4,3,2,1}但我的结果是相同的数组,我不知道为什么,请帮助我。 public class Recursion { p
有这样的标准方式吗? 包括 Java源代码-测试代码- Ant 或 Maven联合单元持续集成(可能是巡航控制)ClearCase 版本控制工具部署到应用服务器 最后我希望有一个自动构建和集成环境。
我什至不知道这是否可能,我非常怀疑它是否可能,但如果可以,您能告诉我怎么做吗?我只是想知道如何从打印机打印一些文本。 有什么想法吗? 最佳答案 这里有更简单的事情。 import javax.swin
我是一名优秀的程序员,十分优秀!