无需工具即可提取PDF文本

Question

目前，我正在使用itextsharp工具（在VB.net中）提取PDF的文本。我希望独立于其他工具/库，因为我无法在我的程序中将它们提供给其他人。

在任何编程语言中是否有一种解决方案（无dll等）可以快速提取PDF的文本？

Answer 1

简短回答：

当然有一种方法可以做到这一点。iText（以及许多其他PDF库）能够做到这一点。所以有一种提取文本的算法。

长答案：

PDF不是所见即所得的格式。PDF文档有点像“相互引用的对象”和“编程语言”之间不虔诚的结合。

让我解释一下。PDF文档具有图形状态。因此，每当你在PDF文档（在Adobe Reader之类的查看器中）中看到文本时，你基本上看到的是PDF文档中某些“代码”的结果，这些代码表示：

转到位置50720，将活动字体设置为Helvetica，fontsize 12，将活动绘图颜色设置为黑色，绘制与字符“H”对应的字形，转到位置53720，绘制与字符“e”对应的字形

指令和资源（如字体、图像、矢量图形）可以在对象中组合在一起。

每个对象都分配了一个数字，并在交叉引用表中明确提及（在PDF文档的末尾）。

因此，为了阅读PDF文档中的文本，您需要：

1. 阅读外部参照表
2. 找出页面对象的起始位置（字节位置）
4. 解析页面对象及其所有子对象（再次使用外部参照表找出每个子对象在文件中的位置）
5. 解析几何指令（图形状态不需要与文本流向相同）
6. 根据您希望文字书写的方向，对所有可见字符进行排序（比较背景和前景颜色、被其他对象（如图像）遮挡等）
7. 生成返回字符串

这可能就是其他人使用库的原因。别误会，我非常喜欢自己动手（这是深入了解某些事物如何工作的最佳方式）。

但是从你的一个用户的角度来看，你会更信任什么？

• 使用“自编”代码处理PDF文档的程序（解析PDF文档的总体经验