我正在寻找一个库（如果可能在 Java 或 PHP 中可用）以便从 PDF 中提取文本。有很多可用的软件，包括：
3-Heights™ PDF 提取物http://www.pdf-tools.com/pdf/pdf-extract-content-metadata-text.aspx
PDFlib TET – 文本提取工具包http://www.pdflib.com/products/tet/
您会选择哪些工具？你觉得他们怎么样？
非常感谢您的热心帮助！
【问题讨论】：
标签： java php pdf text-extraction
我最喜欢的是 iText (java)，但从 PDF 中提取文本可能会遇到很多困难，因为 PDF 中的文本并不总是按其出现的顺序存储。
【讨论】：
itext 无法从 irs i1040.pdf 正确提取文本 如此处报道：
article.gmane.org/gmane.comp.java.lib.itext.general/65680
据我所知，当字体嵌入时， 提取正确的文本并不总是可能的。 看： www.verypdf.com/wordpress/201109/pdf-to-text-converter-cant-extract-text-which-render-by-embedded-fonts-2452.html 第 9.10.1 节： www.adobe.com/content/dam/Adobe/en/devnet/pdf/pdfs/PDF32000_2008.pdf
说：
如果字体不是以其中一种方式定义的...字符 如果没有附加信息，则无法转换为 Unicode 值。
我认为“转换为 unicode 值”对于文本提取至关重要。
【讨论】：