用于Java的高级PDF解析器

我想用Java从PDF文件中提取不同的内容：

• 完整的可见文本
• 图像
• 链接

是否也可以获得以下信息

• 文档元标记，如标题、描述或作者
• 只有标题
• 如果文档包含表单，则输入元素

我不需要操纵或渲染PDF文件。哪个图书馆最适合这种用途

更新

好的，我试过PDFBox：

Document luceneDocument = LucenePDFDocument.getDocument(new File(path));
Field contents = luceneDocument.getField("contents");
System.out.println(contents.stringValue());

但输出为空。但是“摘要”字段是可以的

下一个代码段工作正常

PDDocument doc = PDDocument.load(path);
PDFTextStripper stripper = new PDFTextStripper();
String text = stripper.getText(doc);
System.out.println(text);
doc.close();

但是，我不知道如何提取图像、链接等

更新2

我找到了一个如何提取图像的示例，但我仍然没有得到关于如何提取的答案：

• 链接
• 文档元标记，如标题、描述或作者
• 只有标题
• 如果文档包含表单，则输入元素

---

是的，Alp，iText确实提供了您提到的功能
阅读PDF文件
iText不是PDF查看器，iText不能 将PDF转换为图像，iText也不能 用于打印PDF，但 PdfReader类可以让您访问 形成PDF文档的对象 并将其发送到每个服务器的内容流 页此内容流可以是 已解析，如果未添加内容 作为光栅化文本，您可以转换 页面转换为纯文本。注意，iText 不做光学字符识别

---

使用

com.itextpdf.text.pdf.PdfReader类。
您还可以将JPedal用于所有这些提取任务。
您也可以使用其中的大部分

无论您选择哪种解决方案，请记住，对于某些PDF文档，由于PDF的构造方式，文本提取是不可能的（页面上的字形有时没有任何与之相关的语义含义）

检查此问题的快速方法是在Acrobat中打开文档并尝试复制/粘贴文本。如果它在那里被认为是胡言乱语，那么它很可能在任何其他PDF提取器中都会被认为是胡言乱语。
是我最近选择的PDF工具


完整的可见文本

“可见”是一个困难的问题。您可以使用com.itextpdf.text.pdf.parse包的类解析出所有可解析文本。。。但是这些类不知道剪辑。您可以很容易地将解析器约束到页面大小

// all text on the page, regardless of position
PdfTextExtractor.getTextFromPage(reader, pageNum);

实际上，您需要一种覆盖，它采用文本提取策略，即过滤策略。它很快就会变得有趣，但我认为你可以在这里“开箱即用”地得到你想要的一切


图像

是的，通过相同的包类。图像监听器不如文本监听器受支持，但确实存在


链接

对。链接是指向各种PDF页面的“注释”。找到它们很简单，只需在每个页面的“注释数组”中循环并挑选链接注释

PdfDictionary pageDict = myReader.getPageN(1);
PdfArray annots = pageDict.getAsArray(PdfName.ANNOTS);
ArrayList<String> dests = new ArrayList<String>();
if (annots != null) {
  for (int i = 0; i < annots.size(); ++i) {
    PdfDictionary annotDict = annots.getAsDict(i);
    PdfName subType = annotDict.getAsName(PdfName.SUBTYPE);
    if (subType != null && PdfName.LINK.equals(subType)) {
      PdfDictionary action = annotDict.getAsDict(PdfName.A);
      if (action != null && PdfName.URI.equals(action.getAsName(PdfName.S)) {
        dests.add(action.getAsString(PdfName.URI).toString());
      } // else { its an internal link, meh }
    }
  }
}

PdfDictionary pageDict=myReader.getPageN（1）；
PdfArray annots=pageDict.getAsArray（PdfName.annots）；
ArrayList dests=新的ArrayList（）；
如果（注释！=null）{
对于（int i=0；i

你可以找到那个


输入元素

当然可以。对于XFA（LiveCycle Designer）或旧技术的“AcroForm”表单，iText可以找到所有字段及其值

AcroFields fields = myReader.getAcroFields();

Set<String> fieldNames = fields.getFields().keySet();
for (String fldName : fieldNames) {
  System.out.println( fldName + ": " + fields.getField( fldName ) );
}

AcroFields=myReader.getAcroFields（）；
Set fieldNames=fields.getFields（）.keySet（）；
for（字符串fldName:字段名）{
System.out.println（fldName+“：“+fields.getField（fldName））；
}

多个选择列表不会处理得那么好。在冒号后面会有一个空白区域，用于空白文本字段和按钮。没有太多的信息……但这会让您开始


文档元标记，如标题、描述或作者

非常琐碎，是的

Map<String, String> info = myPdfReader.getInfo();
System.out.println( info );

Map info=myPdfReader.getInfo（）；
系统输出打印项次（信息）；

除了基本的author/title/etc之外，您还可以通过
reader.getMetadata（）
访问一个相当复杂的XML模式


只有标题

TextRenderFilter
可以根据您希望的任何标准忽略文本。字体大小根据您的评论听起来差不多正确。
签出iText感谢您的建议。创建者自己说“iText的主要目的是创建和操作PDF文档。”。你确定它提供了我所需要的功能吗？我不久前使用过iText，它是一款功能强大的产品。它应该能够处理你的所有任务。不过请注意许可证。上次我检查它是GPL/ALGO，它不是一个超级棒的许可证。谢谢你的回答。“输入元素”在我的列表中意外出现了两次，它们之间没有区别。我看了PDFBox，我想现在是时候测试iText了。只有标题如果有可能的话，我的意思是过滤掉HTML中的标记。有点类似，是的。
com.itextpdf.text.pdf.parser.FilteredRenderListener
可以按字体大小（和/或颜色、字体等）过滤。你好，Mark Storer，我已经使用了上述方法检索注释（内部锚和嵌入链接）。但在“子类型”中未获取任何值。（它在子类型中返回空值：（如何应用文本大小筛选器？如何从pdf中获取现有内容的文本大小。我需要