以编程方式在多个 PDF 文档中搜索一系列关键字

Question

问题

我有 500 多个 PDF 文件，我需要搜索一组关键字的实例，并为每组关键字在文件中使用的次数打分（最好是转储到 CSV 文件中）。

例如我可以有以下

keyword-set-1 = "foo" "bar";
keyword-set-2 = "jon" "doe";

以及带有以下文本的 PDF 文件

"jon doe and mary doe are both at the bar."

这会给我以下分数

keyword-set-1 = 3 (jon, doe and doe)
keyword-set-2 = 1 (bar)

我已经做了什么

如果我正在搜索纯文本文件，我已经找到了多种可以在 PHP 或 Java 中执行此操作的方法。但是，我还没有找到 PDF 文件的单一解决方案。我考虑过使用 PDF miner 将所有 PDF 转换为纯文本，但是如果可能的话，我宁愿避免这种情况。

PDF 是高质量的，不是扫描的表格。

Answer 1

您能指定 PDF 的质量吗？他们是扫描表格吗？那么您可能需要使用 OCR。我可以推荐 Tesseract（也需要像 ImageMagick 这样的图像转换器），它将 PDF 转换为 HTML 文件。然后，您可以使用 Jsoup 轻松地遍历单词。

如果没有扫描，您可以使用 PDFBox。这也是一个Java库。

Tesseract：https://code.google.com/p/tesseract-ocr/ PDFBox：http://pdfbox.apache.org/