我想做一个程序，能够读取pdf文件和解析它的内容。因此，我需要使用某种库来提取文本。我找到了三种方法。ocr库（如tesseract）scanpdf库（如itext）从pdf到文本的转换器。我无法理解它们之间的巨大差异，因为它们最终都会从pdf生成一个文本文件。那么哪种方法是最好的呢？
vptzau2j1#
您还可以尝试另一个名为free spire.pdf for java的免费api，从pdf文档中提取文本。在提取文本的过程中，可以选择“提取pdf中的所有文本”，也可以选择从特定区域或特定页面提取文本。了解包裹在教程中你可以找到代码片段
q1qsirdb2#
pdf是一种复杂的格式。如果你打开一个pdf文件，你盯着一堆文本，这并不能告诉你很多。可能是你盯着一个有人决定打包成pdf文件的图像文件。如果有人扫描了一个文档并告诉他们的扫描仪“扫描到pdf”，这是99%+肯定的，如果你有png或jpg和“另存为pdf”，或者尝试“打印到pdf”这样的东西，这是100%肯定的。pdf中没有文本。有像素。为了将像素转换成文本，ocr库就应运而生。他们就是这么做的。他们就是这么做的。这是一个人工智能的财富和容易出错。没有保证。然而，pdf比这更复杂，它不像png/jpg：它更像html。你可以把真正的文字放进去。不过，这有不同的问题。您可以放置文本blob（即一个带坐标的“矩形”，然后是应该放进去的文本）。同样类似于html：您可以执行以下操作：
<p class="foo"> World! </p> <p class="bar"> Hello, </p>
然后创建css以便 foo 在 bar 块（可以简单到 .foo, .bar { display: block; } .foo {float: right} ).把html变成“世界！“你好”并不是那么棘手。意识到在渲染过程中，最终会看到“你好，世界！”，因此，编写返回“你好，世界！”的代码，那要复杂得多。同样的问题也适用于pdf。对于简单的PDF来说，提取里面的原始文本并不太困难，但是要注意，即使是稍微复杂的PDF，文本也可能杂乱无章地到达。itext试图给你足够的权力，至少，提供后者：给你一个完整的层次分解。它返回“这是一个文本框，这是它的位置，这是里面的文本。现在这里是另一个文本框，等等。它不返回大字符串。换句话说：答案在很大程度上取决于你拥有什么样的PDF/你期望能够阅读什么样的PDF，以及它们有多复杂。如果是扫描，你需要一个ocr库。如果它们很简单，一个基本的pdf2文本转换器就可以了。如果你想尝试考虑到富丽堂皇的PDF格式，里面有表格和可以打开和关闭的弹出窗口，oof。可能所有这些工具都是不够的，你注册了许多人周值得努力。
foo
bar
.foo, .bar { display: block; } .foo {float: right}
2条答案
按热度按时间vptzau2j1#
您还可以尝试另一个名为free spire.pdf for java的免费api，从pdf文档中提取文本。在提取文本的过程中，可以选择“提取pdf中的所有文本”，也可以选择从特定区域或特定页面提取文本。
了解包裹
在教程中你可以找到代码片段
q1qsirdb2#
pdf是一种复杂的格式。如果你打开一个pdf文件，你盯着一堆文本，这并不能告诉你很多。可能是你盯着一个有人决定打包成pdf文件的图像文件。如果有人扫描了一个文档并告诉他们的扫描仪“扫描到pdf”，这是99%+肯定的，如果你有png或jpg和“另存为pdf”，或者尝试“打印到pdf”这样的东西，这是100%肯定的。
pdf中没有文本。有像素。
为了将像素转换成文本，ocr库就应运而生。他们就是这么做的。他们就是这么做的。这是一个人工智能的财富和容易出错。没有保证。
然而，pdf比这更复杂，它不像png/jpg：它更像html。你可以把真正的文字放进去。
不过，这有不同的问题。您可以放置文本blob（即一个带坐标的“矩形”，然后是应该放进去的文本）。同样类似于html：您可以执行以下操作：
然后创建css以便
foo在bar块（可以简单到.foo, .bar { display: block; } .foo {float: right}).把html变成“世界！“你好”并不是那么棘手。意识到在渲染过程中，最终会看到“你好，世界！”，因此，编写返回“你好，世界！”的代码，那要复杂得多。
同样的问题也适用于pdf。对于简单的PDF来说，提取里面的原始文本并不太困难，但是要注意，即使是稍微复杂的PDF，文本也可能杂乱无章地到达。
itext试图给你足够的权力，至少，提供后者：给你一个完整的层次分解。它返回“这是一个文本框，这是它的位置，这是里面的文本。现在这里是另一个文本框，等等。它不返回大字符串。
换句话说：答案在很大程度上取决于你拥有什么样的PDF/你期望能够阅读什么样的PDF，以及它们有多复杂。如果是扫描，你需要一个ocr库。如果它们很简单，一个基本的pdf2文本转换器就可以了。如果你想尝试考虑到富丽堂皇的PDF格式，里面有表格和可以打开和关闭的弹出窗口，oof。可能所有这些工具都是不够的，你注册了许多人周值得努力。