PDFTextStream

PDFTextStream project is een PDF-tekst en metadata extractie bibliotheek beschikbaar voor Java, Python, en .NET.
Het ondersteunt alle versies van het PDF-document-specificatie, (inclusief v1.6, gebruikt door Acrobat 7), extractie van tekst gecodeerd met double-byte tekensets (waaronder Chinees, Japans en Koreaans), decryptie van 40-bits en 128- bit gecodeerde documenten, en extractie van alle metagegevens van documenten die door PDF-documenten (zoals vorm van gegevens, bladwijzers en annotaties).
Eenvoudige integratie met Jakarta Lucene is inbegrepen

Wat is nieuw in deze release:.

• Deze versie bevat een aantal verbeteringen gemaakt om ervoor te zorgen PDFTextStream kan extraheren tekst uit PDF-documenten die zijn niet-conforme aan de PDF-specificatie.
• Het bevat ook een aantal prestatieverbeteringen.

Wat is nieuw in versie 2.3.0:

• Toegevoegd een methode .isStruckThrough () om com. snowtide.pdf.TextUnit, die aangeeft of een personage heeft een doorhaling getrokken doorheen.
• Verbeterde ondersteuning PDFTextStream's voor embedded karakter mappings.
• De berekening van witruimte tussen woorden is vastgesteld om goed rekening te houden met witruimte die expliciet wordt gecodeerd in de bron PDF-documenten.
• Verbeterde afhandeling van composiet inhoud coderingen, die eerder zou kunnen mislukken resulteert in een aantal reeksen van PDF-inhoud wordt 'genegeerd' tijdens extractie PDFTextStream's.
• Fixed a bug in VisualOutputTarget waar tekst uit een enkele lijn zou worden verdeeld over meerdere regels
• Verbeterde verticale uitlijning van tekst geëxtraheerd met behulp van VisualOutputTarget
• Verbeterde VisualOutputTarget geproduceerde extracten om valse extra witruimte tussen nauw-aangrenzende woorden elimineren

Wat is nieuw in versie 2.2.5:

• Deze versie voegt ondersteuning toe voor de extractie van XFA formulieren gegevens als XML.
• Het verbetert aanzienlijk de prestaties van de tekst extractie met behulp van VisualOutputTarget. Ondersteuning voor PDF-documenten die groter zijn dan 2 GB.
• Een oplossing voor een bug waar de coderingen van ingebedde Type1 lettertypen waren voorheen niet correct worden toegepast in sommige omstandigheden.
• Een oplossing voor een probleem waar de nieuwere inhoud in bijgewerkte PDF-documenten werd soms genegeerd.
• Een oplossing voor een probleem waar-PDFDocEncoding gecodeerde bladwijzers en metagegevens waren niet goed gedecodeerd.
• Een .getDestinationName () methode in com.snowtide.pdf.Bookmark.

Eisen

• Apache Lucene