Java 如何从在线pdf中提取照片和文本

我知道已经有了

PDFbox

和

iText

，但是它们没有视觉内容提取的能力，并且需要脱机使用pdf。还有，我想要一种在线提取文本和视觉内容的方法。不想下载pdf文件，然后做一些事情。Java语言有什么样的API或库

编辑对于那些认为不清楚的人，我将进一步解释：

---

想象一下，当使用任何

HTML解析器

时，您可以在线解析页面，创建

DOM

或

SAX

树，遍历它们的元素，然后根据这些树中节点的内容提取照片和文本。至少，对于照片，你可以得到相应的HTML标签，对于文本，同样的，你可以得到实际的文本。现在，我想知道PDF是否也有类似的功能？在不下载的情况下浏览文本和图像可以做到这一点。有一个免费版本只有一个限制：它只能在单线程应用程序中使用。

Gnostice PDFOne（用于Java）有一种方法可以解析PDF页面中的文本和图像元素。PDF中的文本不像HTML或XML文档那样位于DOM中。文本只是以不同的x-y坐标出现，并且神奇地看起来格式良好。然而，PDFOne有一些方法可以将这些文本元素重构成用户友好的句子。披露：我在制作这个图书馆的公司工作。

我快速浏览了一下。它在线提取图像和文本吗？你是什么意思？给出一个场景，PDF不能像HTML那样工作。有了后者，一切都是联系在一起的。因此，图片的数据（几乎是！参见如favicons内联）从未包含在HTML文档中。对于前者，几乎所有东西都是“嵌入的”。如果不同时获取文档所显示图片的数据，则无法获取文档。请遵循前面的注释。HTML设计为在线查看。PDF被设计为独立的（甚至字体也可以嵌入）。实际上，PDF允许使用外部流或备用图像将图像数据存储在外部文件中。但这很不寻常。PDFBox可以提取文本和图像。当然，你必须下载PDF.visual content extraction-请解释一下你的意思。此外，你的线上线下解释似乎没有任何意义。@lonesome如果对brain来说太难处理的话-好吧，大脑知道html解析器在实际解析html之前下载html，每当它被要求解析在线html时，照片（除非base64 URL编码）是单独的文件。正如您所说，您不想下载，HTML解析器是您不想下载的示例。@尽管如此，由于PDF文件的特殊结构，确实不需要下载整个文件，例如仅检索单个页面的内容。不过，要使用部分文件检索，http服务器需要支持范围请求。在静态PDF的情况下，这种情况可能已经非常常见，但在动态（根据请求）生成的PDF几乎不起作用的情况下。@lonesome不在我的HDD上-下载可能在内存中，它不需要在光盘上。在PDFBox和iText中都可以直接或通过基于内存的流处理内存中的表示。Hotmail-不，我还没有使用过这项服务，所以我不知道它是否真的显示PDF或是将PDF转换成其他格式，然后逐页显示。尽管如此，要直接访问PDF，您需要下载其中的一部分，如果服务器不支持范围请求，您需要将整个PDF下载到内存或光盘中。“PDF中的文本不像HTML或XML文档那样位于DOM中。”我知道这一点，但我的意思是，如果有任何方法可以这样对待PDF文件。如果可能的话，不要下载整个pdf文件，做我在内存中解释过的事情。那么，这个库提供了这样的功能吗？getPageElements返回一个数组，可以像DOM数组一样迭代。您可以获取该数组中的所有页面元素，也可以仅获取文本元素、图像元素、表单字段或批注。PDFOne可以从内存流或字节数组加载PDF。因此，您需要将联机PDF加载到内存流或字节数组中。哦，听起来不错。我在网站上找不到任何具体的文档。你能告诉我在哪里可以买到吗？对于免费版本，我可以做这些图像和文本提取以及内存流的工作吗？getPageElements的链接向您展示了如何迭代页面元素。这个库的免费版本很久以前就发布了，我认为它没有getPageElements功能。