从PDF中提取所有内容
寻找从PDF文件中提取内容的解决方案(使用控制台工具或库)。
它将在服务器上使用，从上传的PDF文件生成在线电子书.
需要提取以下内容：
- 带有字体和样式的文本；
- 图像；
- 音频和视频；
- 链接和热点。
- 页面快照和缩略图；
- 一般PDF信息，如书籍布局，页数等。
看看(5000美元)，BCL (?)，PDFLib (795欧元)，QuickPDF (250美元)
现在我们使用的是开源pdf2xml (提取文本、图像和链接)和GhostScript (快照和缩略图)。剩下的其他事情是：
- 字体；
- 多媒体；
- 热点；
- 页面信息。
我们在支付很多钱(可能是错误地选择了解决方案)还是使用免费/开源解决方案之间犹豫不决。
从PDF中提取几乎所有内容的最佳解决方案是什么？
如有任何意见，将不胜感激。
回答 5
Stack Overflow用户
发布于 2009-11-13 15:40:24
听起来，经过几天或几周的努力，您可以根据您的需要调整开源工具。字体和任何东西都可以被提取出来，这是每个PDF阅读器都必须做的事情来显示它们。
您可能应该估计程序员的成本($/hr)，并将其乘以添加所需的开源功能所需的时间(60-80小时？)。如果这是更大或接近5000美元无论如何，你可以考虑只是购买商业软件。
否则，在(相当好的) PDF参考的帮助下，您应该会做得很好。
还有一件事，您可能会发现波普尔是有帮助的。它是用来渲染PDF的，但是这和你想要做的事情有很大关系。
Stack Overflow用户
发布于 2009-11-12 11:29:37
字体:我认为字体是无法提取的。
B:对多媒体不太确定
什么是热点？
D:看看iTextSharp (开放源码)，您可能可以提取更多的页面信息。
Stack Overflow用户
发布于 2015-06-01 11:15:18
还有一个包含3个SDK的PDF套房，它特别设计用于从PDF中提取内容，将PDF渲染为图像并转换为html。虽然不提取字体文件，但它支持XML输出和文本提取，保留原来的布局。
有一个基于这个引擎的"PDF多重工具“免费实用程序，所以您可以使用它来查看它是如何为您的PDF文件工作的。
免责声明:我为ByteScout工作
https://stackoverflow.com/questions/1721557
复制相似问题
腾讯云开发者
