Как извлечь текст из PDF?

Для Python есть PDFMiner и pyPDF2. Для получения дополнительной информации см. модуль Python для преобразования PDF в текст. .

Вот мое предложение. Если вы хотите извлечь текст из PDF, вы можете импортировать файл PDF в Документы Google, а затем экспортировать его в более удобный формат, такой как .html, .odf, .rtf, .txt и т. д. Все это с помощью Drive API . Это бесплатно* и надежно. Взгляни на:

https://developers.google.com/drive/v2/reference/files/insert https://developers.google.com/drive/v2/reference/files/get

Поскольку это API для отдыха, он совместим со ВСЕМИ языками программирования. Ссылки, которые я разместил выше, содержат рабочие примеры для многих языков, включая: Java, .NET, Python, PHP, Ruby и другие.

Я надеюсь, что это помогает.

PdfTextStream (который, как вы сказали, вы просматривали) теперь бесплатен для однопоточного Приложения. На мой взгляд, его качество намного лучше, чем у других библиотек (особенно для таких вещей, как причудливые встроенные шрифты и т. д.).

В качестве альтернативы вам следует взглянуть на Apache PDFBox с открытым исходным кодом.

Один из комментариев здесь использовал gs в Windows. Я добился некоторого успеха и в Linux/OSX со следующим синтаксисом:

gs \
 -q \
 -dNODISPLAY \
 -dSAFER \
 -dDELAYBIND \
 -dWRITESYSTEMDICT \
 -dSIMPLE \
 -f ps2ascii.ps \
 "${input}" \
 -dQUIET \
 -c quit

Я использовал dSIMPLE вместо dCOMPLEX, потому что последний выводит 1 символ в строке.

библиотека Docotic.Pdf может использоваться для извлекать текст из файлов PDF как обычный текст или как набор фрагментов текста с координатами для каждого фрагмента.

Docotic.Pdf также можно использовать для извлечения изображений из PDF-файлов.

Отказ от ответственности: я работаю в Bit Miracle.

Поскольку вопрос конкретно касается альтернативных инструментов для получения данных из PDF в формате XML, вам может быть интересно взглянуть на коммерческий инструмент "ByteScout PDF Extractor SDK", способный делать именно это: извлекать текст из PDF в формате XML вместе с данными позиционирования (x ,y) и информация о шрифте:

Текст в исходном PDF:

Products | Units | Price 

Выходной XML:

 <row>
 <column>
  <text fontName="Arial" fontSize="11.0" fontStyle="Bold" x="212" y="126" width="47" height="11">Products</text> 
  </column>
 <column>
  <text fontName="Arial" fontSize="11.0" fontStyle="Bold" x="428" y="126" width="27" height="11">Units</text> 
  </column>
 <column>
  <text fontName="Arial" fontSize="11.0" fontStyle="Bold" x="503" y="126" width="26" height="11">Price</text> 
  </column>
</row>

P.S.: кроме того, он также разбивает текст на табличную структуру.

Раскрытие информации: я работаю в ByteScout

Лучшее, что я могу сейчас придумать (в списке «простых» инструментов), это Ghostscript ( текущая версия — v.8.71) и утилита PostScript ps2ascii.ps. Ghostscript отправляет его в подкаталог lib. Попробуйте это (в Windows):

gswin32c.exe ^
   -q ^
   -sFONTPATH=c:/windows/fonts ^
   -dNODISPLAY ^
   -dSAFER ^
   -dDELAYBIND ^
   -dWRITESYSTEMDICT ^
   -dCOMPLEX ^
   -f ps2ascii.ps ^
   -dFirstPage=3 ^
   -dLastPage=7 ^
   input.pdf ^
   -dQUIET ^
   -c quit

Эта команда обрабатывает страницы 3-7 файла input.pdf. Прочтите комментарии в самом файле ps2ascii.ps, чтобы узнать, что означают "странные" числа и дополнительная информация (они обозначают строки, позиции, ширину, цвета, изображения, прямоугольники, шрифты и разрывы страниц...) . Чтобы получить «простой» текстовый вывод, замените часть -dCOMPLEX на -dSIMPLE.

Я знаю, что эта тема довольно старая, но эта потребность все еще жива. Я прочитал много документов, форумов и сценариев и создал новый расширенный, который поддерживает сжатый и несжатый pdf:

https://gist.github.com/smalot/6183152

В некоторых случаях командная строка запрещена из соображений безопасности. Таким образом, собственный класс PHP может удовлетворить многие потребности.

Надеюсь, это поможет всем

Для извлечения изображений pdfimages — это бесплатный инструмент командной строки для Linux или Windows (win32):

pdfimages: извлечение и сохранение изображений из переносимого формата документа ( PDF ) Файл

Apache pdfbox имеет эту функцию - текстовая часть описана в:

http://pdfbox.apache.org/apidocs/org/apache/pdfbox/util/PDFTextStripper.html

пример реализации см. на странице https://github.com/WolfgangFahl/pdfindexer.

тестовый пример TestPdfIndexer.testExtracting показывает, как это работает

QuickPDF кажется разумной библиотекой, которая должна делать то, что вы хотите, по разумной цене.

http://www.quickpdflibrary.com/ — у них есть 30-дневная пробная версия.

В моих системах Macintosh я обнаружил, что «Adobe Reader» достаточно хорошо справляется со своей задачей. Я создал псевдоним на своем рабочем столе, который указывает на «Adobe Reader.app», и все, что я делаю, это бросаю pdf-файл на псевдоним, что делает его активным документом в Adobe Reader, а затем из меню «Файл» Я выбираю «Сохранить как текст ...», даю ему имя и место для его сохранения, нажимаю «Сохранить», и все готово.