पीडीएफ से स्ट्रिंग तक

Question

पीडीएफ फाइल के पाठ (शब्द) को एक लंबे स्ट्रिंग या स्ट्रिंग्स के सरणी के रूप में प्राप्त करने का सबसे आसान तरीका क्या है।

मैंने पीडीएफबॉक्स की कोशिश की है लेकिन यह मेरे लिए काम नहीं कर रहा है।

Answer 1

JPedal और Multivalent भी Java में पाठ निकासी की पेशकश या आप कई नए पीडीएफ़ पर Runtime.exec

Answer 2

PDFBox barfs, विशेष रूप से एम्बेडेड PNG छवियाँ के साथ उन का उपयोग कर xpdf का उपयोग कर सकते हैं।

मैं PDFTextStream

Answer 3

उपयोग नीली लपटें बहुत प्रभावित हुए। उदाहरण के लिए निम्न स्निपेट टेक्स्ट निकालेगा।

 
PdfTextExtractor parser =new PdfTextExtractor(new PdfReader("C:/Text.pdf")); 
parser.getTextFromPage(3); 

Answer 4

ठीक है, मैं आदेश पीडीएफ से कच्चे पाठ (यह PDFBox पर आधारित है) को निकालने के लिए में टीका का इस्तेमाल किया है, लेकिन मुझे लगता है कि आप अलग अलग फ़ाइल स्वरूपों से पाठ निकाल लिए है केवल जब (ऑटो का पता लगाने में मदद करता है टीका उपयोगी है बहुत)।

यदि आप केवल पीडीएफ को टेक्स्ट में पार्स करना चाहते हैं तो मैं PDFTextStream का सुझाव दूंगा क्योंकि यह अन्य एपिस (जैसे iText और PDFBox) की तुलना में एक बेहतर पार्सर है।

पीडीएफटेक्स्टस्ट्रीम के साथ आप आसानी से संरचित पाठ (पेज-> ब्लॉक-> लाइन-> टेक्स्ट यूनिट्स) प्राप्त कर सकते हैं, और यह आपको पृष्ठ एन्कोडिंग, ऊंचाई, पृष्ठ में किसी चरित्र के स्थान आदि से संबंधित जानकारी निकालने की संभावना देता है। ..

उदाहरण:

public class ExtractTextAllPages { 
    public static void main (String[] args) throws IOException { 
     String pdfFilePath = args[0]; 
     PDFTextStream pdfts = new PDFTextStream(pdfFilePath); 
     StringBuilder text = new StringBuilder(1024); 
     pdfts.pipe(new OutputTarget(text)); 
     pdfts.close(); 
     System.out.printf("The text extracted from %s is:", pdfFilePath); 
     System.out.println(text); 
    } 
}