PDF到文本工具还是Java库？

我需要将PDF转换为普通文本（这是我们县登记处的“投票声明”）。这些文件很大（2000页左右），大部分包含表格。一旦我将它转换成文本，然后我将使用我正在编写的程序来解析它，并将数据放入数据库。 我在AdobeReader中尝试了“另存为文本”功能，但它没有我想要的那么精确，特别是在将表数据分隔为CSV时。 那么，有没有关于工具或Java库的建议可以做到这一点呢？

有两个选项：

-看起来你可以做你想做的事

声称“PDF到文本提取”是其首要功能。基于它的特性，有一个专门针对this（）的。还有一个PDFBox

使用文本（行）打印机打印到文件。

我一直觉得这些工具非常有用

我们成功地使用pdf到文本的转换来转换pdf业务文档，以便在EDI中使用。保留布局的选项可以很好地保持程序中解析的位置。

我使用iText，我对它非常满意。

---

我以前使用过xmlpdf，我认为iText的优越性要高得多。

如果不知道PDF中页面的布局，很难说

我建议下载并尝试iText和PDBox。你会在他们的网站上找到这两种文本提取的例子——假设你熟悉Java，你应该在30分钟内运行一个提取程序

从PDFBox开始，因为它的文本提取能力比iText好

---

其他人提到了xpdf，这可能对您有用。它是一个C库，有一些围绕它构建的命令行工具。它有许多文本提取器，您可以很容易地格式化输出。同样，它确实取决于您的页面布局。

是我们的Java+.NET库，用于从PDF文档中提取内容；您可以我可以试一试。此外，它确实提供了一些基本的功能，这些功能位于PDFTextStream的表检测功能之上。这决不是一个通用的解决方案（尽管我们也在研究其中的一个！），但是如果表格式数据被明确定义（例如，行和列以行为边界，等等），然后您可能会发现现在有一个合适的解决方案。

给出了问题的标题：从PDF中提取纯文本对我来说非常有效。但我没有使用它从表中获取文本

对于PDF，它实际上使用的是PDF。但除了PDF之外，它对其他格式（如Microsoft Word（doc和docx）、Excel和PowerPoint、OpenOffice.org/LibreOffice ODT、HTML、XML和其他格式）也有同样的作用。它的AutoDetectParser使从任何输入中获取文本变得简单

如果需要处理生成的文本（如通过将其传递给进行分类），则可以在后台进程提取文本的同时将结果输入阅读器。最后，在提取内容的同时，还可以填充找到的元数据：

public Reader getPlainTextReader(final InputStream is) {
    try {
        Detector detector = new DefaultDetector();
        Parser parser = new AutoDetectParser(detector);
        ParseContext context = new ParseContext();
        context.set(Parser.class, parser);
        Metadata metadata = new Metadata();

        Reader reader = new ParsingReader(parser, is, metadata, context);

        for (String name : metadata.names()) {
            for (String value : metadata.getValues(name)) {
                logger.debug("Document {}: {}", name, value);
            }
        }

        return reader;

    } catch (IOException e) {
        ...
    }
}

---

iText可以做一些阅读，但我认为可能有更好的工具（如您提到的PDFBox）为了实现这一点…好的，就尝试一下。它对表数据非常有效，但是，列标题被弄乱了，可能是因为它们是垂直对齐的文本。对PDFBox的引用，虽然现在位于不同的URL，但今晚对我来说仍然非常有用！：-）我感觉表数据可能会给你带来一些麻烦…是的。Also表格标题和页面标题。虽然在整个文档中保持一致，但在不同的文档之间并不一致。每次选择一个文档，似乎每次选择都会更改格式。这对我来说很有效，-layout标志有助于在文本文件中保持表格的可用格式。