java - 阅读 PDF 文本和/或所有内容

Question

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？

Answer 1

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。