PDF到文本工具或Java库？
我需要将PDF转换为普通文本（这是我们县注册商的“投票声明”）。 文件很大（大约2000页），大多包含表格。 一旦我把它变成文本，那么我将使用我正在编写的程序来解析它并将数据放入数据库中。 我在Adobe Reader中尝试过“另存为文本”function，但它并不像我想的那样精确，特别是在将表格数据划分为CSV时。 那么，对工具或Java库的任何建议都可以解决这个问题吗？
好吧，有iText 。 我只有有限的经验，但它似乎可以做你想要的。
Apache PDFBox肯定可以做到。 它的网站提到“PDF to text extraction”作为其主要function。 有一个ExtractText命令行工具，专门针对此（ 源代码 ），基于其PDFTextStripper类 。 还有一个PDFBox 文本提取指南 ！
鉴于问题的标题： Apache Tika非常适合我从PDF中提取纯文本。 我没有用它来从表中获取文本。
对于PDF，它实际上使用PDFBox 。 但除PDF之外，它对其他格式（如Microsoft Word（doc和docx），Excel和PowerPoint，OpenOffice.org / LibreOffice ODT，HTML，XML等）也是如此。 它的AutoDetectParser可以轻松地从任何输入中提取文本。
如果需要处理生成的文本（例如将其传递给Mahout进行分类），可以使用ParsingReader将结果导入Reader，同时后台进程将其提取出来。 最后，在提取内容时，它还会填充它找到的元数据：
public Reader getPlainTextReader(final InputStream is) { try { Detector detector = new DefaultDetector(); Parser parser = new AutoDetectParser(detector); ParseContext context = new ParseContext(); context.set(Parser.class, parser); Metadata metadata = new Metadata(); Reader reader = new ParsingReader(parser, is, metadata, context); for (String name : metadata.names()) { for (String value : metadata.getValues(name)) { logger.debug("Document {}: {}", name, value); } } return reader; } catch (IOException e) { ... } } 我总是发现xpdf工具非常有用。
我们成功使用pdf进行文本转换，以转换PDF业务文档，以便在EDI中使用。 保留布局的选项可以很好地保持定位以便在程序中进行解析。
PDFTextStream是我们的Java + .NET库，用于从PDF文档中提取内容; 你可以试一试。 此外，它确实提供了一些基本的表数据提取实用程序 ，它们位于PDFTextStream的表检测function之上。 它绝不是一个通用的解决方案（尽管我们也正在研究其中一个！），但如果表格数据是明确定义的（例如行和列以线条等为界），那么你可能会发现现在有什么了妥善解决。
使用文本（行）打印机打印到文件。
我使用iText并且我对它非常满意。之前我使用过xmlpdf而iText在我看来远远优于它。
如果不知道PDF中页面的布局，很难说。
我建议下载并尝试iText和PDBox。 你会在他们的网站上找到文本提取示例 – 你应该在<30分钟内运行，假设你已经了解了Java的方法。
从PDFBox开始，因为它的文本提取能力比iText更好。
其他人提到了xpdf，这可能对你有用。 它是一个C库，带有一些围绕它构建的命令行工具。 它有许多文本提示符，您可以轻松地格式化输出。 同样，它实际上取决于您的页面布局。