PDF library

[4a61766120617274697374]

Hallo liebe community

Ich suche nach einer Java library, die aus PDF Dokumenten Bilder erstellt und den Text ausliest.

Folgende Anforderungen sollten erfüllt werden:
- Aus einem PDF Dokument werden pro PDF Seite je 3 Bilder in der gewünschten grösse erstellt.
- Aus PDF Dokumenten den Text auslesen (wird später ev. in einer DB, oder als JSON gespeichert).
- Link Attribute im PDF Dokument erkennen und auslesen können.
- Schnelle verarbeitunng (PDF Dokument mit z.B. 1000 Seiten in max. 20 min. verarbeiten).
- Open source (wenn möglich).

Die Library sollte für Desktop Apps, sowie auf einem Webserver eingesetzt werden können.
Über Google stiess ich auf PDFbox und iText. Hat jemand schon erfahrungen damit gesammelt? Was ratet ihr mir?

 

[thet1983]

iText find ich gut, benutze es gerade für ein paar Formulare mit EAN Barcodes.
Da meine Anwendung nur schreibt kann ich zur Verarbeitung (Geschwindigkeit) nicht viel sagen.
Code ist schön logisch und flüssig zum schreiben.
PdfBox kenn ich zwar aber damit hab ich mich noch nicht beschäftigt.

 

[Nuiton]

Ich benutze derzeit PDFBox um den Text einer PDF auszulesen - schafft man mit nur ein paar Zeilen. Falls du ein Beispiel moechtest, kann ich hier noch eins posten.

Bilder habe ich bis jetzt noch nicht erstellen lassen, jedoch habe ich beim suchen etwas gefunden.

 

[4a61766120617274697374]

PDFBox (PDF Seiten als Bild speichern):

// dieses Code Beispiel fand ich bei stackoverflow (pdfbox ab version 2):
PDDocument document = PDDocument.load(new File("pdfDokument.pdf"));
PDFRenderer pdfRenderer = new PDFRenderer(document);
for (int page = 0; page < document.getNumberOfPages(); ++page)
{
    BufferedImage bim = pdfRenderer.renderImageWithDPI(page, 300, ImageType.RGB);
    ImageIOUtil.writeImage(bim, "img-seite-" + (page+1) + ".png", 300);
}
document.close();

Das Problem ist es funktioniert nicht perfekt. Probleme gibt es bei der Transparenz. Wenn z.B. eine Seite aus mehreren Bildern besteht die einen Transparenten Hintergrund haben. Der transparente Hintergrund wird im generierten Bild weiss. Das möchte ich aber nicht. Dieser soll transparent bleiben. Ich habe es mit "JPedal" versucht. Dort klappt es einwandfrei mit der Trial Version. Nur diese Library ist nicht kostenlos (für mich zu teuer).

Hat sonst jemand eine Idee. PDFBox finde ich von der Doku und der API her sehr übersichtlich. Hatte jemand schon Probleme mit der Transparenz beim generieren der Bilder?

 

[4a61766120617274697374]

Falls du ein Beispiel moechtest, kann ich hier noch eins posten.

Gerne wieso nicht, könnte auch anderen hilfreich sein.
Ist es möglich aus einer bestimmten PDF-Seite die Koordinaten(X|Y) eines bestimmten Wortes oder eines Link Attributes zu erhalten?

 

[Nuiton]

Ein nachtraegliches Beispiel wie man den Text aus einer PDF auslesen kann:

package tools;

import java.io.*;
import org.apache.pdfbox.pdmodel.*;
import org.apache.pdfbox.text.PDFTextStripper;
import org.apache.pdfbox.util.*;

public class PDFToText {

 public static void main(String[] args){
 PDDocument pd;
 BufferedWriter wr;
 try {
         File input = new File("C:/Users/.../datei.pdf"); 
         File output = new File("C:/Users/.../datei.txt"); 
         pd = PDDocument.load(input);
         pd.save("kopie.pdf"); // Erstelle eine Kopie?
         PDFTextStripper stripper = new PDFTextStripper();
         stripper.setStartPage(1); // Seitenstart..
         stripper.setEndPage(5); // Seitengrenze..
         wr = new BufferedWriter(new OutputStreamWriter(new FileOutputStream(output)));
         stripper.writeText(pd, wr);
         if (pd != null) {
             pd.close();
         }
        wr.close();
 } catch (Exception e){
         e.printStackTrace();
        } 
     }
}

Zum Thema PDFs und Bilder:

Ist es möglich aus einer bestimmten PDF-Seite die Koordinaten(X|Y) eines bestimmten Wortes oder eines Link Attributes zu erhalten?

Sollte eigentlich moeglich sein, schliesslich hat PDFBox auch eine Klasse zu den Bilder und Textkoordinaten, siehe hier.

Probleme gibt es bei der Transparenz. Wenn z.B. eine Seite aus mehreren Bildern besteht die einen Transparenten Hintergrund haben. Der transparente Hintergrund wird im generierten Bild weiss.

Versuche mal anstatt...

BufferedImage bim = pdfRenderer.renderImageWithDPI(page, 300, ImageType.RGB);

...das:

BufferedImage bim = pdfRenderer.renderImageWithDPI(page, 300, ImageType.ARGB);

Oder noch ein Beispiel findest du hier.