Java的高级PDF解析器

Question

我想从Java的PDF文件中提取不同的内容：

• 完整的可见文字
• 图片
• 链接

还可以得到以下内容吗？

• 文档元标记，例如标题，描述或作者
• 仅标题
• 输入元素（如果文档包含表单）

我不需要操纵或渲染PDF文件。哪种库最适合这种目的？

更新

OK，我尝试了PDFBox：

Document luceneDocument = LucenePDFDocument.getDocument(new File(path));
Field contents = luceneDocument.getField("contents");
System.out.println(contents.stringValue());

但是输出为空。字段“摘要”是可以的。

下一个片段可以正常工作。

PDDocument doc = PDDocument.load(path);
PDFTextStripper stripper = new PDFTextStripper();
String text = stripper.getText(doc);
System.out.println(text);
doc.close();

但是然后，我不知道如何提取图像，链接等。

更新2

我找到了一个如何提取图像的示例，但如何提取仍然没有答案：

• 链接
• 文档元标记，例如标题，描述或作者
• 仅标题
• 输入元素（如果文档包含表单）

Answer 1

目前，iText是我选择的PDF工具。

• 完整的可见文字
  
  

“可见”是一个艰难的过程。您可以使用com.itextpdf.text.pdf.parse包的类来解析所有可分析的文本…但是这些类对CLIPPING不了解。您可以很容易地将解析器限制为页面大小。

// all text on the page, regardless of position
PdfTextExtractor.getTextFromPage(reader, pageNum);

实际上，您实际上需要采用TextExtractionStrategy（已过滤策略）的替代。它很快就变得很有趣，但是我认为您可以在这里“开箱即用”获得所需的一切。

• 图片
  
  

是的，通过相同的包类。图像侦听器不像文本侦听器那样受支持，但确实存在。

• 链接
  
  

是。链接是指向各种PDF页面的“注释”。找到它们很简单，只需遍历每个页面的“注释数组”并挑选链接注释即可。

PdfDictionary pageDict = myReader.getPageN(1);
PdfArray annots = pageDict.getAsArray(PdfName.ANNOTS);
ArrayList<String> dests = new ArrayList<String>();
if (annots != null) {
  for (int i = 0; i < annots.size(); ++i) {
    PdfDictionary annotDict = annots.getAsDict(i);
    PdfName subType = annotDict.getAsName(PdfName.SUBTYPE);
    if (subType != null && PdfName.LINK.equals(subType)) {
      PdfDictionary action = annotDict.getAsDict(PdfName.A);
      if (action != null && PdfName.URI.equals(action.getAsName(PdfName.S)) {
        dests.add(action.getAsString(PdfName.URI).toString());
      } // else { its an internal link, meh }
    }
  }
}

您可以在此处找到PDF规范。

• 输入元素
  

绝对是 对于XFA（LiveCycle Designer）或较旧技术的“ AcroForm”表单，iText可以找到所有字段及其值。

AcroFields fields = myReader.getAcroFields();

Set<String> fieldNames = fields.getFields().keySet();
for (String fldName : fieldNames) {
  System.out.println( fldName + ": " + fields.getField( fldName ) );
}

多重选择列表将无法很好地处理。在冒号之后，您将在空白处输入空白文本字段和按钮。没有什么内容丰富…但是那会让您入门。

• 文档元标记，例如标题，描述或作者
  

很琐碎。是。

Map<String, String> info = myPdfReader.getInfo();
System.out.println( info );

除了基本的author / title / etc外，还有一个相当复杂的XML模式，您可以通过访问reader.getMetadata()。

• 仅标题
  

A TextRenderFilter可以根据您希望的任何条件忽略文本。根据您的评论，字体大小听起来不错。