Come estrarre il testo da un PDF? [chiuso]

Qualcuno può raccomandare una libreria / API per estrarre il testo e le immagini da un PDF? Dobbiamo essere in grado di ottenere il testo contenuto nelle aree note del documento, quindi l'API dovrà fornirci informazioni sulla posizione di ciascun elemento della pagina.

Vorremmo che i dati fossero stampati xmlo jsonformattati. Stiamo attualmente esaminando PdfTextStream che sembra piuttosto buono, ma vorrei ascoltare le esperienze e i suggerimenti di altre persone.

Esistono alternative (commerciali o gratuite) per l'estrazione programmatica di un testo da un pdf?

Mi è stato dato un file pdf di 400 pagine con una tabella di dati che dovevo importare - fortunatamente nessuna immagine. Ghostscript ha funzionato per me:

gswin64c -sDEVICE=txtwrite -o output.txt input.pdf

Il file di output è stato suddiviso in pagine con intestazioni, ecc., Ma è stato quindi semplice scrivere un'app per eliminare le righe vuote, ecc. E aspirare tutti i 30.000 record. -dSIMPLEe -dCOMPLEXnon ha fatto alcuna differenza in questo caso.

Da oggi lo so: la cosa migliore per l'estrazione del testo dai PDF è TET, il toolkit di estrazione del testo . TET fa parte della famiglia di prodotti PDFlib.com.

PDFlib.com è la società di Thomas Merz. Nel caso in cui non riconoscessi il suo nome: Thomas Merz è l'autore della "Bibbia PostScript e PDF".

La prima incarnazione di TET è una biblioteca . Probabilmente uno può fare tutto ciò che Budda006 desidera, comprese le informazioni di posizione su ogni elemento della pagina. Oh, e può anche estrarre immagini. Ricombina immagini frammentate.

pdflib.com offre anche un'altra incarnazione di questa tecnologia, il plug-in TET per Acrobat . E la terza incarnazione è il PDFlib TET iFilter . Questo è uno strumento autonomo per i desktop degli utenti. Entrambi sono gratuiti (come nella birra) da utilizzare per scopi privati ​​e non commerciali.

Ed è davvero potente. Molto meglio dell'estrazione del testo di Adobe. Ha estratto il testo per me in cui altri strumenti (incluso Adobe) sputano solo immondizia.

Ho appena testato lo strumento autonomo desktop e ciò che dicono sulla loro pagina web è vero. Ha una riga di comando molto buona. Alcuni dei miei "problematici" file di test PDF lo strumento gestito con mia piena soddisfazione.

Questa cosa sarà d'ora in poi la mia raccomandazione per ogni esigenza sofisticata e impegnativa di estrazione del testo PDF.

TET è semplicemente fantastico. Rileva le tabelle. All'interno delle tabelle, identifica le celle che si estendono su più colonne. Identifica le righe e i contenuti di ciascuna cella di tabella separatamente. Si occupa molto bene delle sillabazioni: rimuove i trattini e ripristina le parole complete. Supporta lingue non ASCII (inclusi CJK, arabo ed ebraico). Quando incontra legature, ripristina i personaggi originali ...

Provaci.

Un efficiente strumento da riga di comando, open source, gratuito, disponibile su Linux e Windows: semplicemente chiamato pdftotext. Questo strumento fa parte della libreria xpdf.

http://en.wikipedia.org/wiki/Pdftotext

Per python, c'è PDFMiner e pyPDF2 . Per ulteriori informazioni al riguardo, consultare il modulo Python per la conversione di PDF in testo .

Ecco il mio suggerimento. Se desideri estrarre testo da PDF, puoi importare il file pdf in Google Documenti, quindi esportarlo in un formato più intuitivo come .html, .odf, .rtf, .txt, ecc. Tutto questo utilizzando l'API di Drive . È gratuito * e robusto. Date un'occhiata al:

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

Poiché è un'API di riposo, è compatibile con TUTTI i linguaggi di programmazione. I link che ho postato sopra hanno esempi funzionanti per molte lingue tra cui: Java, .NET, Python, PHP, Ruby e altri.

Spero possa essere d'aiuto.

PdfTextStream (che hai detto di aver guardato) è ora gratuito per le applicazioni a thread singolo. A mio avviso, la sua qualità è molto migliore rispetto ad altre librerie (specialmente per cose come font funky incorporati, ecc.).

In alternativa, dovresti dare un'occhiata ad Apache PDFBox , open source.

La libreria Docotic.Pdf può essere utilizzata per estrarre il testo dai file PDF come testo normale o come una raccolta di blocchi di testo con coordinate per ciascun blocco.

Docotic.Pdf può essere utilizzato anche per estrarre immagini da PDF .

Disclaimer: lavoro per Bit Miracle.

Uno dei commenti qui ha usato gs su Windows. Ho avuto un certo successo anche su Linux / OSX, con la seguente sintassi:

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

Ho usato dSIMPLEinvece dCOMPLEXperché quest'ultimo emette 1 carattere per riga.

Poiché la domanda riguarda in particolare strumenti alternativi per ottenere dati da PDF come XML, quindi potresti essere interessato a dare un'occhiata allo strumento commerciale "ByteScout PDF Extractor SDK" che è in grado di fare esattamente questo: estrarre testo da PDF come XML insieme a i dati di posizionamento (x, y) e le informazioni sul font:

Testo nel PDF di origine:

Products | Units | Price 

XML di output:

 <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>

PS: inoltre spezza anche il testo in una struttura basata su tabella.

Divulgazione: lavoro per ByteScout

La cosa migliore a cui riesco attualmente a pensare (all'interno dell'elenco di "semplici" strumenti) è Ghostscript (la versione corrente è v.8.71) e il programma di utilità PostScript ps2ascii.ps. Ghostscript lo spedisce nella sua libsottodirectory. Prova questo (su 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

Questo comando elabora le pagine 3-7 di input.pdf. Leggi i commenti nel ps2ascii.psfile stesso per vedere cosa significano i numeri "strani" e le informazioni aggiuntive ( indicano stringhe, posizioni, larghezze, colori, immagini, rettangoli, caratteri e interruzioni di pagina ... ). Per ottenere un output di testo "semplice", sostituire la -dCOMPLEXparte con -dSIMPLE.

So che questo argomento è piuttosto vecchio, ma questa esigenza è ancora viva. Ho letto molti documenti, forum e script e ne ho costruito uno avanzato che supporta pdf compressi e non compressi:

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

In alcuni casi, la riga di comando è vietata per motivi di sicurezza. Quindi una classe PHP nativa può soddisfare molte esigenze.

Spero che aiuti tutti

Per l'estrazione di immagini, pdfimages è uno strumento da riga di comando gratuito per Linux o Windows (win32):

pdfimages: estrarre e salvare immagini da un file in formato PDF (Portable Document Format)

Apache pdfbox ha questa funzione: la parte di testo è descritta in:

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

per un'implementazione di esempio consultare https://github.com/WolfgangFahl/pdfindexer

la testcase TestPdfIndexer.testExtracting mostra come funziona

QuickPDF sembra essere una libreria ragionevole che dovrebbe fare quello che vuoi a un prezzo ragionevole.

http://www.quickpdflibrary.com/ - Hanno una prova di 30 giorni.

Sui miei sistemi Macintosh, trovo che "Adobe Reader" faccia un buon lavoro. Ho creato un alias sul mio desktop che punta a "Adobe Reader.app" e tutto ciò che faccio è rilasciare un file pdf sull'alias, che lo rende il documento attivo in Adobe Reader e quindi dal menu File, Ho scelto "Salva come testo ...", gli ho dato un nome e dove salvarlo, faccio clic su "Salva" e ho finito.