在java中提取PDF文件并呈现为HTML

Question

如何将Java中的PDF文件内容完全提取为Text并呈现为HTML？

与单独提取文本或单独提取图像不同，要求是将 PDF 文件的内容（就像原始文件一样，包括原始文件中的图像和表格）作为 HTML 内容。

与此处Convert Word to HTML 的答案中的示例有些相似，它使用 Apache POI 将 MS Doc 文件的内容提取到 HTML 中。

Answer 1

从 PDF 文件中提取数据相当简单。有多个库可以正确执行此操作。另一方面，提取数据并保留其布局（OP 描述的工作流程）是一个非常困难的过程。其背后的原因很简单——大多数* PDF 文件实际上并没有任何定义结构的元素。例如，当一个PDF文件显示一个表格时，人们很容易看到它，并且理解这确实是一个包含一些数据的表格。但是，在 PDF 文件本身中，这是矢量线的集合，一些文本介于两者之间。 PDF 本身或 PDF 查看器不知道这是一个表格。因此，当这些数据转换为 HTML 时，我们并不知道需要绘制表格，而是将其视为矢量图。这只是为什么这很困难的一个例子。还有很多其他的可以用来说明这一点。

另一方面，"Tagged PDF" 存在这样的东西（第 10.7 节）。这是一个实际定义了结构元素的 PDF，提取起来相当容易。然而，带标签的 PDF 文件并不像我们希望的那样普遍，而且在大多数情况下，您不能保证使用一个。

市场上有一些工具使用复杂的逻辑来推断未标记文档的结构。他们中的一些人在这方面比其他人做得更好。我使用过 Adob​​e Acrobat，它在创建 HTML 文件方面做得不错。 Datalogics（我为 Datalogics 工作）还提供了一个名为 PDF Alchemist 的产品，可以将 PDF 转换为 HTML。它们都是商业解决方案。

如果您正在寻找免费的解决方案，PDFBox 在从 PDF 文档中提取内容方面做得很好。但是，它没有创建 HTML 文件的能力，这必须在库之外实现。我不知道有任何免费的 PDF 到 HTML 解决方案做得足够好，我愿意推荐。