Como extrair texto de um PDF? [fechado]

Deram - me um ficheiro pdf de 400 páginas com uma tabela de dados que tive de importar-felizmente nenhuma imagem. Ghostscript trabalhou para mim:

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

O ficheiro de saída foi dividido em páginas com cabeçalhos, etc., mas foi então fácil escrever um aplicativo para remover linhas em branco, etc, e sugar em todos os 30.000 registros. -dSIMPLE e -dCOMPLEX não fizeram diferença neste caso.

Desde hoje que sei: a melhor coisa para a extracção de texto a partir de PDFs é TET, a caixa de ferramentas de extracção de texto. O TET faz parte da PDFlib.com família de produtos.

PDFlib.com é a empresa do Thomas Merz. No caso de você não reconhecer seu nome: Thomas Merz é o autor da "Bíblia PostScript e PDF".

Pdflib.com também oferece outra encarnação desta tecnologia, o TET plugin do Acrobat. E a terceira encarnação é a PDFlib TET iFilter. Esta é uma ferramenta autônoma para os desktops do Usuário. Ambos são gratuitos (como na cerveja) para uso privado, não-comercial.

Acabei de testar a ferramenta 'desktop standalone', e o que dizem na sua página web é verdade. Tem uma linha de comando muito boa. Alguns dos meus "problemáticos" arquivos de teste PDF a ferramenta manuseada para minha satisfação total.

TET is simplesmente incrível. Detecta mesas. Dentro das tabelas, identifica células que abrangem várias colunas. Identifica as linhas da tabela e o conteúdo de cada célula da tabela separadamente. Lida muito bem com hífenações: remove hífens e restaura palavras completas. Ele suporta línguas não-ASCII (incluindo CJK, árabe e hebraico). Ao encontrar ligaduras, restaura os personagens originais...

Uma ferramenta eficiente de linha de comandos, open source, livre de qualquer taxa, Disponível em ambos linux & windows : simplesmente chamado pdftotext. Esta ferramenta faz parte da biblioteca xpdf.

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

Para python, existe PDFMiner e pyPDF2. Para mais informações sobre estes, veja o Módulo Python para converter PDF para text .

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

Porque é uma API de descanso, é compatível com toda a programação idioma. Os links que eu postei aboove têm exemplos de trabalho para muitas linguagens, incluindo: Java,. net, Python, PHP, Ruby, e outros.

PdfTextStream (que você disse que estava olhando) é agora livre para aplicações de simples threaded. Na minha opinião, a sua qualidade é muito melhor do que as outras bibliotecas (esp. para coisas como fontes embutidas funky, etc).

Em alternativa, deve dar uma vista de olhos a Apache PDFBox, open source.

Docótico.Pdf library may be used to extract text from PDF files as plain text or as a collection of text chunks with coordinates for each chunk.

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

Usei dSIMPLE em vez de dCOMPLEX porque este último produz 1 carácter por linha.

Declaração de exoneração de Responsabilidade: trabalho para a ByteScout

Como a questão é especificamente sobre alternativas de ferramentas para obter dados a partir de PDF como XML, então você pode estar interessado em dar uma olhada na ferramenta comercial "ByteScout PDF Extrator SDK" que é capaz de fazer exatamente isto: extrair texto de PDF como XML, juntamente com os dados de posicionamento (x,y) e a fonte de informação:

Texto na fonte PDF:

Products | Units | Price 

Saída 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>

Para a extracção de imagens, o pdfimages é uma ferramenta de linha de comandos Livre Para Linux ou Windows (win32):

Pdfimages: extrair e gravar imagens de um ficheiro Portable Document Format ( PDF )

O Apache pdfbox tem esta funcionalidade - a parte do texto está descrita em:

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

Por exemplo, implementação, ver https://github.com/WolfgangFahl/pdfindexer

O testcase TestPdfIndexer.testExtracting mostra como funciona

A melhor coisa que consigo pensar de momento (dentro da lista de ferramentas "simples") é Ghostscript (a versão actual é v. 8.71) e o programa utilitário PostScript ps2ascii.ps. O Ghostscript envia - o na sua sub-pasta lib. Tente isto (no 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

Este comando processa páginas 3-7 de input.pdf. Leia os comentários no Arquivo ps2ascii.ps para ver o que significam os números "estranhos" e informações adicionais (Eles indicam strings, posições, larguras, cores, imagens, retângulos, fontes e quebras de página...). Para obter uma saída de texto" simples", substitua a parte -dCOMPLEX por -dSIMPLE.

Http://www.quickpdflibrary.com eles têm um julgamento de 30 dias.

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