Jak wyodrębnić tekst z pliku PDF? [Zamknięte]

Czy ktoś może polecić bibliotekę / API do wyodrębniania tekstu i obrazów z pliku PDF? Musimy być w stanie uzyskać dostęp do tekstu zawartego w znanych wcześniej obszarach dokumentu, więc API będzie musiało podać nam informacje o położeniu każdego elementu na stronie.

Chcielibyśmy, aby te dane zostały wyprowadzone w formacie xmllub json. Obecnie patrzymy na PdfTextStream, który wydaje się całkiem niezły, ale chcielibyśmy usłyszeć doświadczenia i sugestie innych ludzi.

Czy istnieją alternatywy (komercyjne lub bezpłatne) do programowego wyodrębniania tekstu z pliku PDF?

Dostałem 400-stronicowy plik pdf z tabelą danych, które musiałem zaimportować - na szczęście brak obrazów. Ghostscript zadziałał dla mnie:

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

Plik wyjściowy został podzielony na strony z nagłówkami itp., Ale łatwo było wtedy napisać aplikację do usuwania pustych wierszy itp. I zassać wszystkie 30 000 rekordów. -dSIMPLEi -dCOMPLEXnie zrobiło różnicy w tym przypadku.

Od dziś to wiem: najlepszą rzeczą do ekstrakcji tekstu z plików PDF jest TET, zestaw narzędzi do ekstrakcji tekstu . TET jest częścią rodziny produktów PDFlib.com.

PDFlib.com to firma Thomasa Merza. Jeśli nie rozpoznajesz jego nazwiska: Thomas Merz jest autorem „PostScript and PDF Bible”.

Pierwszym wcieleniem TET jest biblioteka . Że można prawdopodobnie zrobić wszystko, co chciał Budda006, w tym informacje o położeniu każdego elementu na stronie. Aha, i może również wyodrębniać obrazy. Ponownie łączy obrazy, które są podzielone na kawałki.

pdflib.com oferuje również inne wcielenie tej technologii, wtyczkę TET do programu Acrobat . Trzecim wcieleniem jest PDFlib TET iFilter . To jest samodzielne narzędzie dla komputerów stacjonarnych użytkowników. Oba są darmowe (jak w piwie) do użytku prywatnego, niekomercyjnego.

Jest naprawdę potężny. O wiele lepsze niż własna ekstrakcja tekstu Adobe. Wyodrębnił dla mnie tekst, w którym inne narzędzia (w tym Adobe) wypluwają tylko śmieci.

Właśnie przetestowałem samodzielne narzędzie dla komputerów stacjonarnych i to, co mówią na ich stronie internetowej, jest prawdą. Ma bardzo dobrą linię poleceń. Niektóre z moich "problematycznych" plików testowych PDF narzędzie obsłużyło z pełną satysfakcją.

Od teraz ta rzecz będzie moją rekomendacją dla wszystkich wyrafinowanych i trudnych wymagań dotyczących ekstrakcji tekstu PDF.

TET jest po prostu niesamowity. Wykrywa tabele. W tabelach identyfikuje komórki obejmujące wiele kolumn. Identyfikuje osobno wiersze tabeli i zawartość każdej komórki tabeli. Bardzo dobrze radzi sobie z łączeniem wyrazów: usuwa łączniki i przywraca całe wyrazy. Obsługuje języki inne niż ASCII (w tym CJK, arabski i hebrajski). Napotykając ligatury, przywraca oryginalne znaki ...

Spróbuj.

Wydajne narzędzie wiersza poleceń, open source, wolne od jakichkolwiek opłat, dostępne zarówno w systemie Linux, jak i Windows: po prostu nazwane pdftotext. To narzędzie jest częścią biblioteki xpdf.

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

W przypadku Pythona jest PDFMiner i pyPDF2 . Aby uzyskać więcej informacji na ten temat, zobacz moduł Python do konwersji plików PDF na tekst .

Oto moja sugestia. Jeśli chcesz wyodrębnić tekst z PDF, możesz zaimportować plik pdf do Dokumentów Google, a następnie wyeksportować go do bardziej przyjaznego formatu, takiego jak .html, .odf, .rtf, .txt itp. Wszystko to za pomocą interfejsu Drive API. . Jest darmowy * i solidny. Spojrzeć na:

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

Ponieważ jest to API REST, jest kompatybilne ze WSZYSTKIMI językami programowania. Linki, które zamieściłem powyżej, mają praktyczne przykłady dla wielu języków, w tym: Java, .NET, Python, PHP, Ruby i inne.

Mam nadzieję, że to pomoże.

PdfTextStream (o którym mówiłeś) jest teraz bezpłatny dla aplikacji jednowątkowych. Moim zdaniem jego jakość jest znacznie lepsza niż w przypadku innych bibliotek (szczególnie w przypadku rzeczy takich jak funky osadzone czcionki itp.).

Alternatywnie powinieneś rzucić okiem na Apache PDFBox , open source.

Biblioteka Docotic.Pdf może być wykorzystana do wyodrębnienia tekstu z plików PDF jako zwykłego tekstu lub jako zbiór fragmentów tekstu ze współrzędnymi dla każdego fragmentu.

Docotic.Pdf może być również używany do wyodrębniania obrazów z plików PDF .

Zastrzeżenie: pracuję dla Bit Miracle.

Jeden z komentarzy tutaj używał gs w systemie Windows. Odniosłem pewien sukces również w systemie Linux / OSX, z następującą składnią:

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

Użyłem dSIMPLEzamiast tego, dCOMPLEXponieważ ten ostatni wyświetla 1 znak na linię.

Ponieważ pytanie dotyczy w szczególności alternatywnych narzędzi do pobierania danych z plików PDF w formacie XML , możesz być zainteresowany zapoznaniem się z komercyjnym narzędziem „ByteScout PDF Extractor SDK”, które jest w stanie zrobić dokładnie to: wyodrębnić tekst z pliku PDF jako XML wraz z dane pozycjonowania (x, y) i informacje o czcionce:

Tekst w źródłowym PDF:

Products | Units | Price 

Wyjście XML:

 <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: dodatkowo dzieli tekst na strukturę tabelaryczną.

Ujawnienie: pracuję dla ByteScout

Najlepsze, co obecnie przychodzi mi do głowy (na liście „prostych” narzędzi) to Ghostscript (aktualna wersja to v.8.71) i program narzędziowy PostScript ps2ascii.ps. Ghostscript wysyła go w swoim libpodkatalogu. Spróbuj tego (w systemie 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

To polecenie przetwarza strony 3-7 z input.pdf. Przeczytaj komentarze w samym ps2ascii.pspliku, aby zobaczyć, co oznaczają "dziwne" liczby i dodatkowe informacje ( wskazują ciągi znaków, pozycje, szerokości, kolory, obrazy, prostokąty, czcionki i podziały stron ... ). Aby uzyskać „proste” wyjście tekstowe, zamień -dCOMPLEXczęść na -dSIMPLE.

Wiem, że ten temat jest dość stary, ale ta potrzeba wciąż żyje. Czytałem wiele dokumentów, forum i skrypt i budowałem nowy, zaawansowany, który obsługuje skompresowane i nieskompresowane pliki PDF:

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

W niektórych przypadkach wiersz poleceń jest zabroniony ze względów bezpieczeństwa. Tak więc natywna klasa PHP może spełniać wiele potrzeb.

Mam nadzieję, że to pomoże każdemu

Do wyodrębniania obrazu pdfimages to bezpłatne narzędzie wiersza poleceń dla systemu Linux lub Windows (win32):

pdfimages: Wyodrębnij i zapisz obrazy z pliku w formacie Portable Document Format (PDF)

Apache pdfbox ma tę funkcję - część tekstowa jest opisana w:

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

przykładowa implementacja znajduje się pod adresem https://github.com/WolfgangFahl/pdfindexer

testcase TestPdfIndexer.testExtracting pokazuje, jak to działa

QuickPDF wydaje się być rozsądną biblioteką, która powinna robić to, co chcesz, za rozsądną cenę.

http://www.quickpdflibrary.com/ - Mają 30-dniowy okres próbny.

W moich systemach Macintosh stwierdzam, że „Adobe Reader” wykonuje całkiem dobrą robotę. Utworzyłem alias na moim pulpicie, który wskazuje na „Adobe Reader.app” i wszystko, co robię, to upuszczanie pliku PDF na alias, co czyni go aktywnym dokumentem w programie Adobe Reader, a następnie z menu Plik, Wybieram „Zapisz jako tekst…”, nadaję mu nazwę i gdzie go zapisać, klikam „Zapisz” i gotowe.