Java中PDF文本提取
Java中PDF文本提取
提问于 2018-07-11 08:04:30
我有一个用iText生成的PDF文件，它是用JasperReports创建的(我不知道它是否相关)，我想知道是否可以找到一些API或任何东西来查看结构，因为我需要从中提取文本。
- 我尝试过使用iText、PDFBox和其他Java库，但我只能逐行获取文本，而则不是我需要的。
- 我也尝试过在HTML、XML、DOM中进行转换，但是我在文本提取中得到了相同的结果，没有解析任何结构。
- 如果我试图以DOCX的形式打开它，我会看到这个词可以识别某种结构，例如，在DOCX中转换后，一个看起来像PDF中的表的区域实际上是一个表。
我需要了解PDF是如何创建的，如果这是可能的话。我知道使用PDF格式并不容易，但我需要从一些有用的东西开始。谢谢!
回答 2
Stack Overflow用户
发布于 2018-07-11 20:59:36
PDFTron PDFGenie可以从一个PDF文件中进行完整的语义表和段落提取。它可以生成一个可刷新的HTML文件，其中包含表和段落的所有适当的HTML标记。
您可以在这里下载Windows/macOS/Linux PDFGenie命令行工具。https://www.pdftron.com/downloads/linux
Stack Overflow用户
发布于 2018-07-11 08:18:31
还有一个选项，我们也可以从Aspose PDF中提取，如果您想查看下面的链接
页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://stackoverflow.com/questions/51280262
复制相关文章
相似问题
腾讯云开发者
