PDFTextStream

Проект PDFTextStream текстовый PDF и метаданные библиотеки добыча для Java, Python, и .NET.
Он поддерживает все версии спецификации PDF документа (в том числе v1.6, используемые Acrobat 7), добыча текста, закодированного с помощью двухбайтовых наборов символов (включая китайский, японский, корейский и), расшифровки 40-бит и 128- разрядных зашифрованных документов, и добыча всех метаданных документов, предусмотренных PDF документов (в том числе данных форм, закладки и аннотации).
Простая интеграция с Джакарта Lucene входит

Что нового В этом выпуске:.

• Эта версия включает в себя разнообразные исправления, достигнутый чтобы обеспечить PDFTextStream способен извлекать текст из PDF документов, которые несоответствующих спецификации PDF.
• Это также включает в себя различные усовершенствования производительности.

Что нового в версии 2.3.0:

• Добавлена ​​метод к ком .isStruckThrough (). snowtide.pdf.TextUnit, указывающее, имеет ли символ зачеркивания, проведенной через него.
• Улучшена поддержка PDFTextStream для встраиваемых отображений символов.
• Расчет пробелов между словами был зафиксирован должным образом зарегистрированы для пробелами, явно, закодированной в документах PDF источником.
• Улучшена обработка PDFTextStream о композитных кодировок контента, которые ранее могли не приводит в некоторых диапазонах содержания PDF будучи 'игнорируются "во время извлечения.
• Исправлена ​​ошибка в VisualOutputTarget где текст из одной строки будут разделены на несколько строк
• Улучшена вертикальное выравнивание текста извлекаются с помощью VisualOutputTarget
• Улучшена VisualOutputTarget производства экстрактов для устранения паразитных Пробелы между тесно прилегающих слов

Что нового в версии 2.2.5:

• Этот релиз добавляет поддержку для извлечения XFA формы данные, XML.
• Это значительно повышает производительность извлечения текста с использованием VisualOutputTarget. Поддержка PDF документов больше, чем 2 Гб.
• Исправление ошибки, когда кодировки из встроенных шрифтов Type1 ранее не применяются должным образом в некоторых обстоятельствах.
• Исправление проблемы, где новый контент в обновленных документов PDF иногда игнорируется.
• Исправление проблемы, где PDFDocEncoding кодировке закладки и метаданных не были декодирования должным образом.
• а .getDestinationName () в com.snowtide.pdf.Bookmark.

Требования

• Apache Lucene