PDFlib文本和图像提取工具包(TET) 旨在从PDF文档中提取文本和图像，但也可用于从PDF中检索其他信息。

PDFlibTET 专为独立使用而设计，不需要任何第三方软件。它是健壮的，适合多线程服务器使用；看看如何使用TET。

PDFlibTET 提供以下强大的功能，并为文本提取提供独特的优势以及图像提取的独特优势。

接受的PDF输入

TET支持所有类型的PDF 输入：

• 最高至 Acrobat DC 的所有 PDF 版本，包括 ISO 32000-1 和 -2 (PDF 2.0)

• 无需密码即可打开或提供密码的受保护 PDF

• 修复损坏的 PDF 文档

世界上所有的书写系统

TET处理全球所有书写系统中的PDF文档，并实现某些脚本所需的特殊处理：

• 拉丁文、希腊文和西里尔文脚本

• 阿拉伯语和希伯来语，包括从右到左和双向文本的逻辑重新排序；阿拉伯语演示表格的规范化

• 简繁体中文、日文、韩文，不分编码；水平和垂直文本

• 印度语脚本（没有字形重新排序）

• Unicode 输出支持的所有其他语言和脚本

统一码

由于PDF中的文本通常不以Unicode编码，因此PDFlibTET 将PDF文档中的文本标准化为Unicode：

• TET 将所有文本内容转换为 Unicode，而不管 PDF 文档中使用的编码方法。

• 连字和其他多字符字形被分解为相应的 Unicode 字符序列。

• 没有适当的 Unicode 映射的字形被识别为这样，并被映射到可配置的替换字符以避免误解。

• TET 针对特定文档创建包（例如 InDesign 和 TeX 文档或在大型机系统上生成的 PDF）的问题实施了各种解决方法。

内容分析和单词检测

TET 包括获得专利的内容分析算法：

• 确定检索正确单词所需的单词边界

• 组合连字符的部分（去连字符）

• 删除重复的文本实例，例如阴影和人工加粗的文本

• 按阅读顺序重新组合段落

• 正确排序分散在页面上的文本

页面布局、表格和列表检测

分析页面内容以确定文本列。检测到表格，包括跨越多行或多列的单元格。这提高了提取文本的顺序。可以识别表格行和每个表格单元格的内容。项目符号和编号列表被识别。

几何学

TET为文本提供精确的度量，例如页面上的位置、字形宽度和文本方向。页面上的特定区域可以被排除或包含在文本提取中，例如忽略页眉和页脚或页边距。

文字颜色

TET 分析PDF页面描述中的颜色信息并返回每个字形的精确颜色信息。例如，这可用于识别标题或其他突出显示的文本。可以选择在更简单的备用颜色空间中提取高级颜色空间Separation和DeviceN。

图像提取

PDF 页面上的图像可以提取为TIFF、JPEG、JBIG2或JPEG 2000文件。为每个图像报告精确的几何信息（位置、大小和角度）。将碎片图像组合成更大的图像以方便重新调整用途。图像保真度得到保证，因为不会发生下采样或颜色转换。这确保了尽可能高的图像质量。

忽略已标记PDF中的伪影

在标记的PDF，尤其是PDF/UA中，不相关的内容可能被标记为工件，例如页眉和页脚。TET可选择忽略工件文本和图像。

使用pCOS界面进行PDF分析

TET 库包括用于查询PDF文档详细信息的pCOS界面，例如文档信息和XMP元数据、字体列表、页面大小等等。

Unicode 后处理

TET 支持各种Unicode后处理步骤，可用于改进提取的文本：

• 折叠保留、删除或替换字符，例如从不相关的脚本中删除标点符号或字符。

• 分解用一个或多个其他字符的等效序列替换一个字符，例如用它们各自的标准对应物替换窄、宽或垂直的日文字符或拉丁上标变体。

• 文本可以转换为所有 Unicode 规范化形式，例如发出 NFC 形式以满足 Web 文本或数据库的要求。

文档域

PDF文档可能在页面内容之外的其他位置包含文本。虽然大多数应用程序只处理页面内容，但在许多情况下，其他文档域也可能是相关的。TET从以下所有文档域中提取文本：

• 页面内容

• 预定义和自定义文档信息条目

• 文档和图像级别的 XMP 元数据

• 书签

• 递归处理文件附件和 PDF 组合

• 表单域

• 评论（注解）

• 可以查询一般的 PDF 属性，例如页数、是否符合 PDF/A 或 PDF/X 等标准。

XMP 元数据

TET 以多种方式支持XMP 元数据：

• 使用集成的 pCOS 接口，可以通过编程方式提取文档、单个页面、图像或文档其他部分的 XMP 元数据。

• TETML 输出包含 XMP 文档和图像元数据。

• 以 TIFF 或 JPEG 格式提取的图像包含图像元数据（如果存在于 PDF 中）。

TETML 将PDF内容表示为XML

TET 可以选择以称为TETML 的XML 风格表示PDF内容。它包含各种格式的PDF信息，可以使用常见的XML工具进行处理。TETML包含文本以及可选的字体和位置信息、资源详细信息（字体、图像、色彩空间）和元数据。

TETML还包括交互式元素，例如表单字段、注释、书签等。它甚至可以用于分析JavaScript或色彩空间细节、ICC配置文件或输出意图。

TETML 可以使用XSLT样式表进行处理，例如应用过滤器或将TETML转换为其他格式。用于处理TETML 的示例XSLT样式表包含在TET 分发中。

以下片段显示了带有字形详细信息的TETML 输出：

<单词>

<文本>PDFlib</文本>

 

<字形字体="F1"size="18" x="111.48" y="636.33"width="9.65">P

D

F

l

i

b

</框>

</字>

TETML可以包括关于单词和段落分组以及关于表格和列表、图像放置和注释以及这些元素的几何信息的信息。

TET 连接器

TET 连接器将TET与其他软件连接起来。它们使PDF文本提取功能可用于各种环境：

• Lucene 搜索引擎的 TET 连接器

• Solr 搜索服务器的 TET 连接器

• TIKA 工具包的 TET 连接器

• 用于 Oracle Text 的 TET 连接器

• MediaWiki 的 TET 连接器

• 适用于 Microsoft 产品的TET PDF IFilter作为单独的产品提供。它从 PDF 文档中提取文本和元数据，并使其可用于 Windows 上的搜索和检索软件。

TET食谱

TET Cookbook是一组编程示例，演示了如何使用TET完成各种文本和图像提取任务。几个Cookbook示例展示了如何结合TET 和PDFlib PDI产品以增强PDF文档，例如根据页面上的文本添加书签或链接。

公司名称：北京哲想软件有限公司

北京哲想软件官方网站：cogitosoft.com

北京哲想软件微信公众平台账号：cogitosoftware

北京哲想软件微博：哲想软件

北京哲想软件邮箱：sales@ cogitosoft.com

销售（俞先生）联系方式： 86（010）68421378

微信：18610247936     QQ：368531638