分析pdf文件的格式并提取文本和图像[关闭]答案

【问题标题】：Analyze format of pdf-file and extract text and images [closed]分析pdf文件的格式并提取文本和图像[关闭]
【发布时间】：2011-05-04 05:54:54
【问题描述】：

我需要从这个既有文字又有图片的杂志中提取“文章”。图像内容必须分开放置，文本提取（尽可能）并分开放置。

我该怎么做呢？是否已经有商业服务/ api 可以做到这一点？程序/服务的输入只是文件。

（实际文件将是普通的 pdf 文件，而不是安全文件）

【问题讨论】：

【解决方案1】：

Docotic.Pdf library 可以为您从 PDF 文件中提取图像和文本。

以下是您的任务的几个示例：

提取的图像可以保存为 JPEG 和 TIFF。您可以从每一页或整个文档中提取文本。您可以提取文本块及其坐标。

免责声明：我为图书馆供应商 Bit Miracle 工作。

【讨论】：

【解决方案2】：

试试这个：

同样的组件还具有图像提取功能。

你可以试试！！

【讨论】：

【解决方案3】：

如果您能负担得起商业选项，Amyuni PDF Creator 将允许您枚举 pdf 文件中的所有组件（文本、图像等），您将能够将它们提取为独立对象，并且您可以创建新的 PDF 文件和他们一起。

【讨论】：

免责声明：我在 Amyuni Technologies 工作。
这很有趣 - 我们可以将 pdf 分解为其组成元素 - 例如：一个页面可能有两篇文章和两个相关图像（通常，它们会有更多）
你确定我可以用你的工具提取吗？
是的，您可以，但您可能需要事先知道要从中提取的矩形区域，这取决于您拥有的特定文件。例如，该工具将无法告诉您图像是否与文本的一部分相关。您可以使用评估版并使用您的文件进行试用，您还可以在评估期间获得支持。您可以使用 .net 版本（用于 C#、vb.net 等）或 ActiveX 版本（C++、Delphi 等）

【解决方案4】：

您可以使用Aspose.Pdf.Kit 到extract text and images separately from a PDF file。 API 非常简单。您还可以在 Aspose 网站上找到示例、教程和支持。

注意：我在 Aspose 担任开发人员宣传员。

【讨论】：