如何从 PDF 中提取文本？[已结束]

我目前能想到的最好的东西（在“简单”工具列表中）是 Ghostscript（当前版本是 v.8.71）和 PostScript 实用程序。Ghostscript 将其放在其子目录中。试试这个（在 Windows 上）：ps2ascii.pslib

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

此命令处理第 3-7 页。阅读文件本身中的注释，看看“奇怪”的数字和其他信息是什么意思（它们表示字符串、位置、宽度、颜色、图片、矩形、字体和分页符......要获得“简单”文本输出，请将该部分替换为 。input.pdfps2ascii.ps-dCOMPLEX-dSIMPLE

QuickPDF 似乎是一个合理的库，应该以合理的价格做你想做的事。

http://www.quickpdflibrary.com/ - 他们有 30 天的试用期。

从今天开始，我就知道了：从 PDF 中提取文本的最佳方式是 TET，即文本提取工具包。TET 是 PDFlib.com 系列产品的一部分。

PDFlib.com 是托马斯·梅尔茨（Thomas Merz）的公司。如果你不认识他的名字：托马斯·梅尔兹（Thomas Merz）是“PostScript和PDF圣经”的作者。

TET的第一个化身是图书馆。这个人可能可以做 Budda006 想要的一切，包括页面上每个元素的位置信息。哦，它还可以提取图像。它重新组合了碎片化的图像。

pdflib.com 还提供了这项技术的另一个化身，即 Acrobat 的 TET 插件。第三个化身是 PDFlib TET iFilter。这是用于用户桌面的独立工具。这两者都是免费的（如啤酒），可用于私人、非商业目的。

它真的很强大。比Adobe自己的文本提取要好得多。它为我提取了其他工具（包括 Adobe 的）只会吐出垃圾的文本。

我刚刚测试了桌面独立工具，他们在网页上所说的是真的。它有一个非常好的命令行。该工具处理了我的一些“有问题”的 PDF 测试文件，令我完全满意。

从现在开始，我推荐这个东西来满足每一个复杂和具有挑战性的PDF文本提取要求。

TET简直太棒了。它检测表。在表中，它标识跨多个列的单元格。它分别标识每个表格单元格的表格行和内容。它很好地处理了连字符：它删除了连字符并恢复了完整的单词。它支持非 ASCII 语言（包括 CJK、阿拉伯语和希伯来语）。遇到连字时，会还原原有字符......

试一试。

Docotic.Pdf 库可用于将 PDF 文件中的文本提取为纯文本或文本块的集合，每个块都有坐标。

Docotic.Pdf 也可用于从 PDF 中提取图像。

免责声明：我为Bit Miracle工作。

PdfTextStream（您说您一直在查看）现在对单线程应用程序免费。在我看来，它的质量比其他库要好得多（尤其是时髦的嵌入式字体等）。

它以 Java 和 C# 版本提供。

或者，你应该看看Apache PDFBox，开源。

对于图像提取，pdfimages 是适用于 Linux 或 Windows （win32） 的免费命令行工具：

pdfimages： 从可移植文档格式 （ PDF ） 文件中提取和保存图像

对于 python，有 PDFMiner 和 pyPDF2。有关这些内容的更多信息，请参阅用于将 PDF 转换为文本的 Python 模块。

我知道这个话题已经很老了，但这种需求仍然存在。我阅读了许多文档、论坛和脚本，并构建了一个支持压缩和未压缩 pdf 的新高级文档：

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

在某些情况下，出于安全原因，禁止使用命令行。 因此，原生 PHP 类可以满足许多需求。

希望它对大家有所帮助

这是我的建议。 如果要从PDF中提取文本，可以将pdf文件导入Google Docs，然后将其导出为更友好的格式，例如.html，.odf，.rtf，.txt等。所有这些都使用 Drive API。它是免费*且强大的。看一看：

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

因为它是 REST API，所以它与所有编程语言兼容。我发布的链接有多种语言的工作示例，包括：Java、.NET、Python、PHP、Ruby 等。

我希望它有所帮助。

这里的一条评论在 Windows 上使用了 gs。我在 Linux/OSX 上也取得了一些成功，语法如下：

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

我使用了 instead 而不是，因为后者每行输出 1 个字符。dSIMPLEdCOMPLEX

Apache pdfbox 具有此功能 - 文本部分在以下描述中描述：

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

有关示例实现，请参阅 https://github.com/WolfgangFahl/pdfindexer

测试用例 TestPdfIndexer.testExtracting 显示了它是如何工作的

一个高效的命令行工具，开源，免费，可在 linux 和 windows 上使用：简称为 pdftotext。此工具是 xpdf 库的一部分。

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

我得到了一个 400 页的 pdf 文件，其中包含我必须导入的数据表 - 幸运的是没有图像。Ghostscript 对我有用：

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

输出文件被拆分为带有标题等的页面，但随后很容易编写一个应用程序来去除空白行等，并吸收所有 30,000 条记录。 在这种情况下没有区别。-dSIMPLE-dCOMPLEX

在我的 Macintosh 系统上，我发现“Adobe Reader”做得相当不错。我在桌面上创建了一个指向“Adobe Reader.app”的别名，我所要做的就是在别名上放置一个 pdf 文件，使其成为 Adobe Reader 中的活动文档，然后从文件菜单中，我选择“另存为文本...”，给它一个名称和保存位置，单击“保存”，我就完成了。

由于问题专门针对从 PDF 中获取数据的替代工具，因此您可能有兴趣查看能够做到这一点的商业工具“ByteScout PDF Extractor SDK”：将 PDF 中的文本提取为 XML 以及定位数据 （x，y） 和字体信息：

源 PDF 中的文本：

Products | Units | Price 

输出 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>

P.S.：此外，它还将文本分解为基于表格的结构。

披露：我在 ByteScout 工作