Java 阅读PDF文本和/或所有内容

我有一个场景，需要Java应用程序能够以两种模式之一从PDF文件中提取内容：

TEXT\u ONLY

或

ALL

。在文本模式下，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。在所有模式下，所有内容（文本、图像等）都将从文件中读取

例如，如果一个PDF文件中有一个页面，而该页面有3个连续文本段落，并且是文字包装的2个图像，则

text\u 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ApacheTika在引擎盖下使用PDFBox，但我担心这种功能被Tika屏蔽/禁止（在这种情况下，我可能需要直接从PDFBox执行）

---

所以我问：这可能吗？，如果可能，哪个库更适合我使用？我是不是走错了路？这里有没有我没有考虑的陷阱/注意事项？

来解释为什么@markStephens会向您介绍一些关于PDF的背景资料

在文本模式下，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

您对“可见”的定义，就像一个人正在阅读PDF一样，还没有很好的定义：

• 文本1磅大小是否可见？放大时，人类可以阅读；但在标准放大倍数下，不是这样。哪种尺寸是限制

• 背景为（128128128）的RGB（128129128）中的文本是否可见？颜色有多不同

• 文本是否以某种白噪声模式显示在另一种白噪声模式的背景上？模式有多大不同

• 文本是否仅部分显示在屏幕上？如果是，一个可见像素是否足够？如果某个巨大尺寸的“I”字符的可见页面区域与字母上的圆点相吻合，该怎么办

• 如果文本被一些易于移动的注释所覆盖，甚至可能被文件中一些自动执行的JavaScript代码所覆盖，该怎么办

• 如果某些可选内容组中的文本仅在打印时可见，该怎么办

*

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，最多只提取一个裁剪框。对于添加了不可见OCR文本的图像，通常需要提取该文本

例如，如果一个PDF文件中有一个页面，而该页面有3个连续文本段落，并且是文字包装的2个图像，那么text_只会提取所有3个段落，而all会提取所有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());

PDF（通常）不知道段落，只知道页面上某个位置的一些字形组。识别段落是一项无法保证正常工作的任务，因为有启发法在起作用。此外，如果您有不规则分隔的多列文本，甚至可能中间有一些图像（很难确定是否有两列被图像分割，或者是否有一列包含集成图像），您可以依靠对文本流的识别，更不用说段落、节段、，等等，惨败

如果您的PDF被正确标记，或者全部由一个工具链生成，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。但是，对于后者，您的解决方案必须为该工具链定制

但我担心Tika会屏蔽/禁止此类功能（在这种情况下，我可能需要直接从pdfBox执行此操作）

这里您指向另一个关注点：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，这样标记的PDF可以像没有该标记的文档一样通过一个解码步骤进行处理（基本上是使用公开的密码进行加密），但这样做显然违背了作者声明的意图，侵犯了他的版权

所以我问：这可能吗？如果可能的话，哪个库更适合我使用？我是不是走错了路？我在这里没有考虑任何陷阱/警告

只要您希望通用输入的准确率达到100%，就应该重新考虑您的体系结构

如果PDF是您所拥有的全部，并且一个尽可能有效的解决方案是可以的，那么另一方面，有多个可能的库供您、iText和PDFBox命名，但还有两个库。哪一个最适合您取决于更多因素，例如，您是否需要某种通用解决方案，或者所有PDF都是由如上所述的工具链创建的

---

无论如何，您必须自己编写一些程序，以便根据您的用例对它们进行微调。

阐述@markStephens为什么会向您介绍一些关于PDF的背景资料

在文本模式下，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

您对“可见”的定义，就像一个人正在阅读PDF一样，还没有很好的定义：

• 文本1磅大小是否可见？放大时，人类可以阅读；但在标准放大倍数下，不是这样。哪种尺寸是限制

• 背景为（128128128）的RGB（128129128）中的文本是否可见？颜色有多不同

• 文本是否以某种白噪声模式显示在另一种白噪声模式的背景上？模式有多大不同

• 文本是否仅部分显示在屏幕上？如果是，一个可见像素是否足够？那么，在一个巨大的页面区域中的一些字符“I”呢