Négliger des tables pendant l'extraction PDF

Question

J'essaie de créer une application de traitement de texte en Java qui nécessite du texte en entrée. Maintenant, je suis en train d'extraire cette entrée à partir d'un fichier PDF spécifié par l'utilisateur. J'utilise PdfBox pour l'extraction de texte. Le problème que j'ai est qu'un fichier PDF peut contenir des tables, des équations et des symboles spéciaux, de sorte que le texte que PdfBox extraits contient des déchets à de nombreux endroits. Pour cette raison, mon application de traitement de texte ne parvient pas à donner son résultat optimal. Je voulais savoir si le PDF avait un format spécifique pour une table afin que je puisse atteindre le niveau racine et les exclure pendant l'extraction. En outre, dans de nombreuses occasions, le texte extrait contient des caractères inconnus rendus '?' Bien que dans le PDF réel, ils semblent être des alphabets normaux. J'ai aussi essayé une autre bibliothèque - IText mais les résultats n'étaient pas satisfaisants. En un mot, tout ce que je veux, c'est extraire des phrases simples à partir de fichiers PDF, en excluant toutes les autres ordures. Ce serait génial si quelqu'un pouvait m'aider ici en suggérant de contourner ce problème ou une autre meilleure bibliothèque d'extraction pour Java. Merci.

Answer 1

J'ai récemment besoin d'extraire du texte à partir de PDF pour un traitement ultérieur en Java - J'ai utilisé la commande Linux pdftotext - si vous avez cette commande à votre disposition, est-ce une option?

EDIT: vient de voir un autre post aujourd'hui à propos de Apache Tika - qui a un parser PDF (et beaucoup d'autres). Cela pourrait vous être utile. http://tika.apache.org/

Answer 2

Le fichier PDF n'a pas de format 'table'. Les tableaux sont construits à partir de lignes et de texte, c'est tout. Un PDF étiqueté peut avoir une telle étiquette, mais celles-ci sont rares.