本页内容
数据提取指南
ComPDFKit Conversion SDK 的数据提取功能支持识别、分析、提取 PDF 文档中的文本、文本结构、表格等数据。
注: 文件数据提取为 JSON 格式时,暂不支持选择页面范围。默认提取全部页面,并且提取过程一旦开始,不支持取消。
PDF 文本提取
概述
即从 PDF 文档中提取文本数据。
注意事项
- 当未开启 OCR 功能时可能会导致图片中的表格内的文本未被提取出来。
- 当我们从 PDF 文档中读取文本内容时,我们经常会遇到部分数据。例如,假设我们正在尝试从 PDF 文档中提取一个句子,上面写着 “这是一个示例句子”。我们最终可能会得到两个文本内容:“这” 和 “是一个示例句子”。这是可能的,因为在 PDF 文档中,文本对象并不总是整齐地组织成单词、句子或段落。未开启 OCR 识别时,
convert
返回与 PDF 页面中的文本内容完全相同的对象。
示例
以下是完整的示例代码,演示了基本的文本提取功能。
java
CPDFConvert cpdfConvertJson = new CPDFConvertJson();
CPDFConvertJsonOptions cpdfConvertJsonOptions = new CPDFConvertJsonOptions();
cpdfConvertJsonOptions.setAllowOcr(true);
cpdfConvertJsonOptions.setContainOcrBg(true);
cpdfConvertJsonOptions.setOnlyAiTable(true);
cpdfConvertJsonOptions.setPdtToJsonEnum(PDFToJsonEnum.TEXT);
convert = cpdfConvertJson.convert(file.getPath(), null, num + "" + time, cpdfConvertJsonOptions, null, dto.getPassword(), null);