PDF'den metin nasıl çıkarılır? [kapalı]

PDF'den metin ve resim çıkarmak için bir kütüphane / API önerebilir misiniz? Belgenin önceden bilinen bölgelerinde bulunan metne ulaşabilmemiz gerekir, bu nedenle API'nin bize sayfadaki her öğenin konum bilgilerini vermesi gerekir.

Bu verilerin çıktısının xmlveya jsonbiçiminin alınmasını istiyoruz. Şu anda oldukça iyi görünen PdfTextStream'e bakıyoruz , ancak diğer insanların deneyimlerini ve önerilerini duymak istiyoruz.

Bir pdf'den programlı olarak metin ayıklamak için alternatifler (ticari veya ücretsiz) var mı?

İçe aktarmak zorunda olduğum bir veri tablosu ile 400 sayfalık bir pdf dosyası verildi - neyse ki hiçbir görüntü. Ghostscript benim için çalıştı:

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

Çıktı dosyası, başlıklar, vb. İçeren sayfalara ayrıldı, ancak daha sonra boş satırları vb. -dSIMPLEve -dCOMPLEXbu durumda hiçbir fark yaratmadı.

Bugünden beri biliyorum: PDF'lerden metin çıkarma için en iyi şey metin çıkarma araç takımı olan TET . TET, PDFlib.com ürün ailesinin bir parçasıdır.

PDFlib.com bir Thomas Merz şirketidir. Adını tanımıyorsanız: Thomas Merz, "PostScript ve PDF İncil" in yazarıdır.

TET'in ilk enkarnasyonu bir kütüphane . Muhtemelen Budda006'nın istediği her şeyi yapabilir, sayfadaki her öğe hakkında konum bilgisi dahil. Oh, ve ayrıca görüntüleri de çıkarabilir. Parçalara ayrılmış görüntüleri yeniden birleştirir.

pdflib.com ayrıca bu teknolojinin bir başka enkarnasyonu olan Acrobat için TET eklentisini de sunuyor . Üçüncü enkarnasyon da PDFlib TET iFilter . Bu, kullanıcı masaüstü bilgisayarları için bağımsız bir araçtır. Her ikisi de özel, ticari olmayan amaçlar için (biradaki gibi) ücretsizdir.

Ve gerçekten güçlü. Adobe'nin kendi metin ayıklamasından çok daha iyi. Diğer araçların (Adobe'ler dahil) yalnızca çöp tükettiği metinleri benim için çıkardı.

Masaüstü bağımsız aracını yeni test ettim ve web sayfalarında söyledikleri doğru. Çok iyi bir komut satırı var. Bazı "sorunlu" PDF test dosyaları aracı benim tam memnuniyetini ele.

Bu şey artık her karmaşık ve zorlu PDF metin çıkarma gereksinimi için tavsiyem olacak.

TET sadece harika. Tabloları algılar. Tabloların içinde, birden çok sütuna yayılan hücreleri tanımlar. Her tablo hücresinin tablo satırlarını ve içeriklerini ayrı ayrı tanımlar. Tireleme ile çok iyi ilgilenir: tireleri kaldırır ve tam kelimeleri geri yükler. ASCII dışı dilleri destekler (CJK, Arapça ve İbranice dahil). Bitişik harfler ile karşılaşıldığında, orijinal karakterleri geri yükler ...

Bir şans ver.

Hem linux hem de pencerelerde bulunan etkin bir komut satırı aracı, açık kaynak, ücretsizdir: sadece pdftotext olarak adlandırılır. Bu araç xpdf kütüphanesinin bir parçasıdır.

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

Python için PDFMiner ve pyPDF2 vardır . Bunlar hakkında daha fazla bilgi için PDF'yi metne dönüştürmek için Python modülüne bakın .

İşte benim önerim. PDF'den metin çıkarmak istiyorsanız, pdf dosyasını Google Dokümanlar'a içe aktarabilir, ardından .html, .odf, .rtf, .txt vb. Gibi daha kolay bir biçime aktarabilirsiniz. Tüm bunlar Drive API'sını kullanarak . Ücretsizdir * ve sağlamdır. Şuna baksana:

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

Bir dinlenme API'sı olduğundan, TÜM programlama dilleriyle uyumludur. Yukarıda gönderdiğim bağlantıların Java, .NET, Python, PHP, Ruby ve diğerleri dahil birçok dil için çalışma örnekleri var.

Umut ediyorum bu yardım eder.

PdfTextStream (baktığınızı söylediğiniz) artık tek iş parçacıklı uygulamalar için ücretsiz . Bence kalitesi diğer kütüphanelerden çok daha iyidir (özellikle funky gömülü fontlar gibi şeyler için).

Alternatif olarak, açık kaynak kodlu Apache PDFBox'a da bakmalısınız .

Docotic.Pdf kütüphanesi , PDF dosyalarından metinleri düz metin olarak veya her yığın için koordinatlı metin parçaları koleksiyonu olarak çıkarmak için kullanılabilir .

Docotic.Pdf, PDF'lerden görüntüleri çıkarmak için de kullanılabilir .

Feragatname: Bit Miracle için çalışıyorum.

Buradaki yorumlardan biri Windows'ta gs kullandı. Aşağıdaki sözdizimiyle Linux / OSX'te de bazı başarılar elde ettim:

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

Bunun dSIMPLEyerine kullandım dCOMPLEXçünkü ikincisi satır başına 1 karakter çıkarır.

Soru özellikle PDF'den XML olarak veri almak için alternatif araçlarla ilgili olduğundan, tam olarak bunu yapabilen ticari araç olan "ByteScout PDF Extractor SDK" 'ya bir göz atmak isteyebilirsiniz : konumlandırma verileri (x, y) ve yazı tipi bilgileri:

Kaynak PDF'deki metin:

Products | Units | Price 

Çıktı XML'si:

 <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: ayrıca metni tablo tabanlı bir yapıya da böler.

Açıklama: ByteScout için çalışıyorum

Şu anda düşünebildiğim en iyi şey ("basit" araçlar listesinde) Ghostscript (mevcut sürüm v.8.71'dir) ve PostScript yardımcı programıdır ps2ascii.ps. Ghostscript libalt dizininde gönderir. Bunu deneyin (Windows'ta):

gswin32c.exe ^
   -q ^
   -sFONTPATH=c:/windows/fonts ^
   -dNODISPLAY ^
   -dSAFER ^
   -dDELAYBIND ^
   -dWRITESYSTEMDICT ^
   -dCOMPLEX ^
   -f ps2ascii.ps ^
   -dFirstPage=3 ^
   -dLastPage=7 ^
   input.pdf ^
   -dQUIET ^
   -c quit

Bu komut, sayfalarının 3-7 input.pdf. ps2ascii.ps"Tuhaf" sayıların ve ek bilgilerin ne anlama geldiğini görmek için dosyanın kendisindeki yorumları okuyun ( dizeleri, konumları, genişlikleri, renkleri, resimleri, dikdörtgenleri, yazı tiplerini ve sayfa sonlarını belirtirler ). "Basit" bir metin çıktısı almak için -dCOMPLEXparçayı değiştirin -dSIMPLE.

Bu konunun oldukça eski olduğunu biliyorum, ama bu ihtiyaç hala hayatta. Birçok belgeyi, forumu ve komut dosyasını okudum ve sıkıştırılmış ve sıkıştırılmamış pdf'yi destekleyen yeni bir gelişmiş oluşturun:

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

Bazı durumlarda, güvenlik nedeniyle komut satırı yasaktır. Böylece yerli bir PHP sınıfı birçok ihtiyaca cevap verebilir.

Umarım everone yardımcı olur

Görüntü çıkarma için pdfimages, Linux veya Windows için ücretsiz bir komut satırı aracıdır (win32):

pdfimages: Taşınabilir Belge Biçimi (PDF) Dosyasından Görüntüleri Ayıkla ve Kaydet

Apache pdfbox bu özelliğe sahiptir - metin kısmı şu bölümde açıklanmıştır:

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

örnek bir uygulama için bkz. https://github.com/WolfgangFahl/pdfindexer

TestPdfIndexer.testExtracting nasıl çalıştığını gösterir

QuickPDF, makul bir fiyata istediğinizi yapmanız gereken makul bir kütüphane gibi görünüyor.

http://www.quickpdflibrary.com/ - 30 günlük deneme süreleri var.

Macintosh sistemlerimde, "Adobe Reader" ın oldukça iyi bir iş çıkardığını görüyorum. Masaüstümde "Adobe Reader.app" yi işaret eden bir takma ad oluşturdum ve tek yaptığım, takma adın üzerine bir pdf dosyası bırakmak, bu da onu Adobe Reader'daki etkin belge haline getiriyor ve ardından Dosya menüsünden, "Metin Olarak Kaydet ..." i seçiyorum, ona bir ad ve nereye kaydedileceğimi "Kaydet" i tıklıyorum ve işim bitti.