PDFからテキストを抽出する方法は？[閉まっている]

PDFからテキストと画像を抽出するためにライブラリ/ APIを推奨することはできますか？ドキュメントの既知の領域に含まれるテキストを取得できる必要があるため、APIはページ上の各要素の位置情報を提供する必要があります。

そのデータを出力したい xmlまたはjson形式ます。現在、かなり良いと思われるPdfTextStreamを調べていますが、他の人々の経験や提案を聞きたいと思います。

プログラムでPDFからテキストを抽出するための代替手段（商用または無料）はありますか？

インポートしなければならないデータの表を含む400ページのpdfファイルが与えられました-幸いにも画像はありませんでした。ゴーストスクリプトは私のために働きました：

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

出力ファイルはヘッダーなどが含まれるページに分割されましたが、その後、空白行などを取り除き、30,000件のレコードをすべて吸収するアプリを簡単に作成できました。-dSIMPLEそして-dCOMPLEXこの場合に差は行われません。

今日から私はそれを知っています：PDFからのテキスト抽出のための最良のものは、テキスト抽出ツールキットであるTETです。TETはPDFlib.com製品ファミリーの一部です。

PDFlib.comはThomas Merzの会社です。彼の名前がわからない場合は、トーマス・メルツが「PostScript and PDF Bible」の著者です。

TETの最初の化身はライブラリです。そのページのすべての要素に関する位置情報を含め、Budda006が望んだすべてを実行できるはずです。ああ、それはまた、画像を抽出することができます。断片化された画像を再結合します。

pdflib.comは、このテクノロジーの別の形であるAcrobat用TETプラグインも提供しています。そして3番目の具体化はPDFlib TET iFilterです。これは、ユーザーのデスクトップ用のスタンドアロンツールです。これらはどちらも（ビールのように）無料で、非営利の私的目的に使用できます。

そしてそれは本当に強力です。アドビ独自のテキスト抽出よりもはるかに優れています。他のツール（Adobeを含む）がゴミを吐き出すだけのテキストを抽出してくれました。

私はデスクトップスタンドアロンツールをテストしたところ、彼らのWebページでの発言が真実でした。コマンドラインは非常に優れています。ツールが問題なく処理した「問題のある」PDFテストファイルの一部。

これからは、洗練された、困難なPDFテキスト抽出要件すべてに対する私の推奨事項になります。

TETは単に素晴らしいです。テーブルを検出します。テーブル内では、複数の列にまたがるセルを識別します。表の行と各表のセルの内容を個別に識別します。ハイフネーションを非常にうまく処理します。ハイフンを削除し、完全な単語を復元します。非ASCII言語（CJK、アラビア語、ヘブライ語を含む）をサポートしています。合字に遭遇すると、元の文字を復元します...

試してみる。

効率的なコマンドラインツール、オープンソース、無料、LinuxとWindowsの両方で利用可能：単にpdftotextという名前です。このツールはxpdfライブラリの一部です。

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

Pythonの場合、PDFMinerとpyPDF2があります。これらの詳細については、PDFをテキストに変換するPythonモジュールを参照してください。

これが私の提案です。PDFからテキストを抽出する場合は、PDFファイルをGoogleドキュメントにインポートしてから、.html、.odf、.rtf、.txtなどのよりわかりやすい形式にエクスポートできます。これらはすべて、Drive APIを使用して行います。無料*で堅牢です。を見てみましょう：

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

REST APIであるため、すべてのプログラミング言語と互換性があります。私が上に投稿したリンクには、Java、.NET、Python、PHP、Rubyなど、多くの言語の実用的な例があります。

お役に立てば幸いです。

PdfTextStream（これまで見てきました）は、シングルスレッドアプリケーションで無料になりました。私の意見では、その品質は他のライブラリよりもはるかに優れています（特に、ファンキーな埋め込みフォントなどの場合）。

あるいは、オープンソースのApache PDFBoxをご覧ください。

Docotic.Pdfライブラリを使用して、PDFファイルからテキストをプレーンテキストまたは各チャンクの座標を持つテキストチャンクのコレクションとして抽出できます。

Docotic.Pdfを使用してPDFから画像を抽出することもできます。

免責事項：私はビットミラクルで働いています。

ここのコメントの1つはWindowsでgsを使用しました。Linux / OSXでも、次の構文を使用して、ある程度成功しました。

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

後者は1行に1文字を出力するため、dSIMPLE代わりに使用しましたdCOMPLEX。

問題は、PDFからXMLとしてデータを取得するための代替ツールに関するものであるため、これを正確に実行できる市販のツール「ByteScout PDF Extractor SDK」をご覧ください。位置決めデータ（x、y）とフォント情報：

ソースPDFのテキスト：

Products | Units | Price 

出力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>

PS：さらに、テキストをテーブルベースの構造に分割します。

開示：私はByteScoutで働いています

私が（「シンプルな」ツールのリスト内で）考えている中で最も良いのは、Ghostscript（現在のバージョンはv.8.71）とPostScriptユーティリティプログラムps2ascii.psです。Ghostscriptは、そのlibサブディレクトリで出荷します。これを試してください（Windowsの場合）：

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

このコマンドは、ページ3〜7を処理しますinput.pdf。ps2ascii.psファイル自体のコメントを読んで、「奇妙な」番号と追加情報の意味を確認します（これらは文字列、位置、幅、色、画像、長方形、フォント、改ページを示します...）。「単純な」テキスト出力を取得するには、-dCOMPLEXパーツをに置き換えます-dSIMPLE。

このトピックはかなり古いですが、このニーズはまだ生きています。私は多くのドキュメント、フォーラム、スクリプトを読んで、圧縮および非圧縮PDFをサポートする新しい高度なドキュメントを作成します。

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

セキュリティ上の理由により、コマンドラインが禁止されている場合があります。したがって、ネイティブPHPクラスは多くのニーズに対応できます。

それが誰にも役立つことを願っています

画像抽出のために、pdfimagesはLinuxまたはWindows（win32）用の無料のコマンドラインツールです。

pdfimages：Portable Document Format（PDF）ファイルから画像を抽出して保存する

Apache pdfboxにはこの機能があります-テキスト部分は以下で説明されています：

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

実装例については、 https：//github.com/WolfgangFahl/pdfindexerをください

テストケースTestPdfIndexer.testExtractingは、それがどのように機能するかを示しています

QuickPDFは、リーズナブルな価格でやりたいことを実行できるリーズナブルなライブラリのようです。

http://www.quickpdflibrary.com/-30日間の試用期間があります 。

私のMacintoshシステムでは、「Adobe Reader」がかなりうまく機能していることがわかりました。デスクトップに「Adobe Reader.app」を指すエイリアスを作成しました。私が行うのは、PDFファイルをエイリアスにドロップするだけです。これにより、Adobe Readerでアクティブなドキュメントになり、[ファイル]メニューから、 「テキストとして保存...」を選択して、名前と保存場所を指定し、「保存」をクリックして完了です。