Documentation – Parsing PDF documents

Java: Extract Text from PDF

Sat, 05 Jun 2021 00:00:00 +0000

Mengekstraksi Teks dari file PDF adalah tugas umum bagi pengembang Java. Gunakan Aspose.PDF untuk Java Pdf library untuk mengekstraksi teks hanya dalam beberapa baris kode. Sebagian besar dokumen PDF tidak dapat diedit, membuat konversi PDF ke teks menjadi tugas yang membosankan jika tidak mustahil, terutama jika solusinya melibatkan pemrosesan besar-besaran dokumen PDF. Aspose.PDF untuk Java library mengekstraksi teks menggunakan kelas TextAbsorber. Siapa yang membutuhkan ekstraksi teks?

Untuk perusahaan penambangan data, manajemen konten, dan pemrosesan formulir, ekstraksi teks akan sangat berguna. Extracting text comes in handy: archiving: Teks dan komponennya dapat diambil sehingga dokumen dapat diindeks dan diarsipkan dengan kemampuan pencarian penuh; mengambil dan memproses data dalam bentuk; mengambil informasi seperti data akun, alamat pos, dan nomor telepon untuk keperluan administratif; mengambil foto dan gambar.

Java: Ekstrak Gambar dari PDF

Sat, 05 Jun 2021 00:00:00 +0000

Setiap halaman dalam dokumen PDF mengandung sumber daya (gambar, formulir, dan font). Kita dapat mengakses sumber daya ini dengan memanggil metode getResources. Kelas Resources mengandung XImageCollection dan kita dapat mendapatkan daftar gambar dengan memanggil metode getImages.

Jadi untuk mengekstrak gambar dari halaman, kita perlu mendapatkan referensi ke halaman, kemudian ke sumber daya halaman, dan terakhir ke koleksi gambar.

Gambar tertentu dapat kita ekstrak misalnya dengan indeks.

Indeks gambar mengembalikan objek XImage. This object menyediakan metode Save yang dapat digunakan untuk menyimpan gambar yang diekstraksi. Cuplikan kode berikut menunjukkan cara mengekstrak gambar dari file PDF.

public static void Extract_Images(){
        // Jalur ke direktori dokumen.
        String _dataDir = "/home/admin1/pdf-examples/Samples/";
        String filePath = _dataDir + "ExtractImages.pdf";

        // Memuat dokumen PDF
        com.aspose.pdf.Document pdfDocument = new com.aspose.pdf.Document(filePath);

        com.aspose.pdf.Page page = pdfDocument.getPages().get_Item(1);
        com.aspose.pdf.XImageCollection xImageCollection = page.getResources().getImages();
        // Mengekstrak gambar tertentu
        com.aspose.pdf.XImage xImage = xImageCollection.get_Item(1);

        try {
            java.io.FileOutputStream outputImage = new java.io.FileOutputStream(_dataDir + "output.jpg");
            // Menyimpan gambar keluaran
            xImage.save(outputImage);
            outputImage.close();
        } catch (java.io.FileNotFoundException e) {
            // TODO: menangani pengecualian
            e.printStackTrace();
        } catch (java.io.IOException e) {
            // TODO: menangani pengecualian
            e.printStackTrace();
        }
    }

Java: Ekstrak font dari PDF

Sat, 05 Jun 2021 00:00:00 +0000

Jika Anda ingin mendapatkan semua font dari dokumen PDF, Anda dapat menggunakan metode Document.IDocumentFontUtilities.getAllFonts() yang disediakan dalam kelas Document. Silakan cek potongan kode berikut untuk mendapatkan semua font dari dokumen PDF yang sudah ada:

public static void Extract_Fonts() throws FileNotFoundException
{
    // Jalur ke direktori dokumen.
    String filePath = "<... masukkan nama file ...>";
    
    // Memuat dokumen PDF
    com.aspose.pdf.Document pdfDocument = new com.aspose.pdf.Document(filePath);
    com.aspose.pdf.Font[] fonts = pdfDocument.getFontUtilities().getAllFonts();

    for (com.aspose.pdf.Font font : fonts)
    {
        font.save(new FileOutputStream(font.getFontName()));
    }
}

Java: Extract Table Data from PDF

Sat, 05 Jun 2021 00:00:00 +0000

Mengekstrak Tabel dari PDF secara Programatis

Mengekstrak tabel dari PDF bukanlah tugas yang sepele karena tabel dapat dibuat dengan berbagai cara.

Aspose.PDF untuk Java memiliki alat untuk memudahkan pengambilan tabel. Untuk mengekstrak data tabel, Anda harus melakukan langkah-langkah berikut:

Buka dokumen - instansiasi objek Document;
Buat objek TableAbsorber.
Tentukan halaman mana yang akan dianalisis dan terapkan visit ke halaman yang diinginkan. Data tabel akan dipindai, dan hasilnya akan disimpan dalam daftar AbsorbedTable. Kita dapat mendapatkan daftar ini melalui metode getTableList.
Untuk mendapatkan data, iterasi melalui TableList dan tangani daftar absorbed rows dan daftar sel yang diserap. Kita dapat mengakses daftar pertama dengan memanggil metode getTableList dan daftar kedua dengan memanggil metode getCellList.
Setiap AbsorbedCell berisi TextFragmentCollections. Anda dapat memprosesnya untuk keperluan Anda sendiri.

Contoh berikut menunjukkan ekstraksi tabel dari semua halaman:

public static void Extract_Table() {
    // Muat dokumen PDF sumber        
    String filePath = "/home/aspose/pdf-examples/Samples/sample_table.pdf";
    com.aspose.pdf.Document pdfDocument = new com.aspose.pdf.Document(filePath);
    com.aspose.pdf.TableAbsorber absorber = new com.aspose.pdf.TableAbsorber();

    // Pindai halaman
    for (com.aspose.pdf.Page page : pdfDocument.getPages()) {
        absorber.visit(page);
        for (com.aspose.pdf.AbsorbedTable table : absorber.getTableList()) {
            System.out.println("Table");
            // Iterasi melalui daftar baris
            for (com.aspose.pdf.AbsorbedRow row : table.getRowList()) {
                // Iterasi melalui daftar sel
                for (com.aspose.pdf.AbsorbedCell cell : row.getCellList()) {
                    for (com.aspose.pdf.TextFragment fragment : cell.getTextFragments()) {
                        StringBuilder sb = new StringBuilder();
                        for (com.aspose.pdf.TextSegment seg : fragment.getSegments())
                            sb.append(seg.getText());
                        System.out.print(sb.toString() + "|");
                    }
                }
                System.out.println();
            }
        }
    }
}

Ekstrak tabel di area tertentu pada halaman PDF

Setiap tabel yang diserap memiliki properti Rectangle yang menjelaskan posisi tabel pada halaman.

Jadi, jika Anda perlu mengekstrak tabel yang terletak di wilayah tertentu, Anda harus bekerja dengan koordinat khusus.

Contoh berikut menunjukkan cara mengekstrak tabel yang ditandai dengan Anotasi Persegi:

public static void Extract_Marked_Table() {
    // Memuat dokumen PDF sumber
    String filePath = "<... masukkan jalur ke file pdf di sini ...>";
    com.aspose.pdf.Document pdfDocument = new com.aspose.pdf.Document(filePath);
    com.aspose.pdf.Page page = pdfDocument.getPages().get_Item(1);

    com.aspose.pdf.AnnotationSelector annotationSelector = new com.aspose.pdf.AnnotationSelector(
            new com.aspose.pdf.SquareAnnotation(page, com.aspose.pdf.Rectangle.getTrivial()));

    java.util.List<com.aspose.pdf.Annotation> list = annotationSelector.getSelected();
    if (list.size() == 0) {
        System.out.println("Tabel yang ditandai tidak ditemukan..");
        return;
    }

    com.aspose.pdf.SquareAnnotation squareAnnotation = (com.aspose.pdf.SquareAnnotation) list.get(0);

    com.aspose.pdf.TableAbsorber absorber = new com.aspose.pdf.TableAbsorber();
    absorber.visit(page);

    for (com.aspose.pdf.AbsorbedTable table : absorber.getTableList()) {
        {
            boolean isInRegion = (squareAnnotation.getRect().getLLX() < table.getRectangle().getLLX())
                    && (squareAnnotation.getRect().getLLY() < table.getRectangle().getLLY())
                    && (squareAnnotation.getRect().getURX() > table.getRectangle().getURX())
                    && (squareAnnotation.getRect().getURY() > table.getRectangle().getURY());

            if (isInRegion) {
                for (com.aspose.pdf.AbsorbedRow row : table.getRowList()) {
                    {
                        for (com.aspose.pdf.AbsorbedCell cell : row.getCellList()) {
                            for (com.aspose.pdf.TextFragment fragment : cell.getTextFragments()) {
                                StringBuilder sb = new StringBuilder();
                                for (com.aspose.pdf.TextSegment seg : fragment.getSegments())
                                    sb.append(seg.getText());
                                System.out.print(sb.toString() + "|");
                            }
                        }
                        System.out.println();
                    }
                }
            }
        }
    }
}

Ekstrak Data Tabel dari PDF dan simpan dalam file CSV

Contoh berikut menunjukkan cara mengekstrak tabel dan menyimpannya sebagai file CSV. Untuk melihat cara mengonversi PDF ke Excel Spreadsheet silakan merujuk ke artikel Convert PDF to Excel.

public static void Extract_Table_Save_CSV()
{
    String filePath = "/home/admin1/pdf-examples/Samples/sample_table.pdf";
    // Muat dokumen PDF
    com.aspose.pdf.Document pdfDocument = new com.aspose.pdf.Document(filePath);

    // Memulai objek ExcelSave Option
    com.aspose.pdf.ExcelSaveOptions excelSave = new com.aspose.pdf.ExcelSaveOptions();
    excelSave.setFormat(com.aspose.pdf.ExcelSaveOptions.ExcelFormat.CSV);

    // Simpan keluaran dalam format XLS
    pdfDocument.save("PDFToXLS_out.xlsx", excelSave);
}

Java: Ekstrak data dari AcroForm

Sat, 05 Jun 2021 00:00:00 +0000

Ekstrak bidang formulir dari dokumen PDF

Aspose.PDF untuk Java tidak hanya memungkinkan Anda membuat dan mengisi bidang formulir, tetapi juga memudahkan untuk mengekstrak data bidang formulir atau informasi bidang formulir dari file PDF.

Misalkan kita tidak mengetahui nama-nama bidang formulir terlebih dahulu. Maka kita harus mengiterasi setiap halaman di PDF untuk mengekstrak informasi tentang semua AcroForm di PDF serta nilai dari bidang formulir. Untuk mendapatkan akses ke formulir kita perlu menggunakan metode getForm.

public static void ExtractFormFields() {
    String path= "/home/admin/pdf-examples/Samples/StudentInfoFormElectronic.pdf";
    com.aspose.pdf.Document document = new com.aspose.pdf.Document(path);
    // Dapatkan nilai dari semua bidang
    for (com.aspose.pdf.Field formField : document.getForm().getFields()) {
        System.out.println("Nama Bidang :" + formField.getPartialName());
        System.out.println("Nilai : " + formField.getValue());
    }
}

Jika Anda mengetahui nama dari field formulir yang ingin Anda ekstrak nilainya, maka Anda dapat menggunakan indexer dalam koleksi Documents.Form untuk dengan cepat mengambil data ini.

Mengambil nilai field formulir berdasarkan judul

Properti Value dari field formulir memungkinkan Anda untuk mendapatkan nilai dari field tertentu. Untuk mendapatkan nilainya, dapatkan field formulir dari Dokumen objek koleksi field formulir. Contoh ini memilih TextBoxField dan mengambil nilainya menggunakan metode getValue.

public static void ExtractFormDataByName() {
    String fileName = _dataDir+"/StudentInfoFormElectronic.pdf";
    com.aspose.pdf.Document document = new com.aspose.pdf.Document(fileName);        
    com.aspose.pdf.TextBoxField textBoxField1 = (com.aspose.pdf.TextBoxField)document.getForm().get("Last Name");

    System.out.println("Last Name :" + textBoxField1.getValue());
}

Ekstrak bidang formulir dari dokumen PDF ke JSON

Untuk mengekspor data formulir ke JSON, kami merekomendasikan menggunakan pustaka pihak ketiga seperti Gson. Cuplikan berikut menunjukkan cara mengekspor Name dan Value ke JSON:

public static void ExtractFormFieldsToJson() {
    String path = "/home/admin/pdf-examples/Samples/StudentInfoFormElectronic.pdf";
    com.aspose.pdf.Document document = new com.aspose.pdf.Document(path);

    java.util.List<FormElement> formData = new java.util.ArrayList<FormElement>();
    for (com.aspose.pdf.Field formField : document.getForm().getFields()) {
        formData.add(new FormElement(formField.getPartialName(), formField.getValue()));
    }

    Gson gson = new Gson();
    String jsonString = gson.toJson(formData);
    System.out.println(jsonString);
}

Dalam contoh ini kami menggunakan kelas tambahan

public class FormElement {
    public FormElement(String partialName, String Value) {
        this.Name = partialName;
        this.Value = Value;
    }
    public String Name;
    public String Value;
}

Ekstrak Data ke XML dari File PDF

Kelas Form memungkinkan Anda untuk mengekspor data ke file XML dari file PDF menggunakan metode ExportXml. Untuk mengekspor data ke XML, Anda perlu membuat objek dari kelas Form dan kemudian memanggil metode ExportXml menggunakan objek FileStream. Akhirnya, Anda dapat menutup objek FileStream dan membuang objek Form. Cuplikan kode berikut menunjukkan cara mengekspor data ke file XML.

public static void ExtractFormFieldsToXML() {

    String dataDir = "/home/admin/pdf-examples/Samples/StudentInfoFormElectronic.pdf";

    // Buka dokumen
    com.aspose.pdf.facades.Form form = new com.aspose.pdf.facades.Form();
    form.bindPdf(dataDir + "input.pdf");

    try {
        // Buat file XML.
        FileOutputStream xmlOutputStream;

        xmlOutputStream = new FileOutputStream(dataDir + "input.xml");
        // Ekspor data
        form.exportXml(xmlOutputStream);

        // Tutup file stream
        xmlOutputStream.close();

    } catch (IOException e) {

        e.printStackTrace();
    }

    // Tutup dokumen
    form.dispose();
    ;
}

Ekspor Data ke FDF dari File PDF

Untuk mengekspor data formulir PDF ke file XFDF, kita dapat menggunakan metode exportFdf dalam kelas Form.

Harap dicatat, bahwa ini adalah kelas dari com.aspose.pdf.facades. Meskipun namanya mirip, kelas ini memiliki tujuan yang sedikit berbeda.

Untuk mengekspor data ke FDF, Anda perlu membuat objek dari kelas Form dan kemudian memanggil metode exportXfdf menggunakan objek OutputStream. Cuplikan kode berikut menunjukkan kepada Anda bagaimana mengekspor data ke file XFDF.

 public static void ExtractFormExportFDF() {
        String pdfFileName = Paths.get(_dataDir, "StudentInfoFormElectronic.pdf").toString();
        String fdfFileName = Paths.get(_dataDir, "student.fdf").toString();
        com.aspose.pdf.facades.Form form = new com.aspose.pdf.facades.Form(pdfFileName);

        OutputStream fdfOutputStream;
        try {

            fdfOutputStream = new FileOutputStream(fdfFileName);

            // Ekspor data
            form.exportFdf(fdfOutputStream);

            // Tutup file stream
            fdfOutputStream.close();

        } catch (IOException e) {
            // TODO: tangani pengecualian
            e.printStackTrace();
        }

    }

Ekspor Data ke XFDF dari File PDF

Untuk mengekspor data formulir PDF ke file XFDF, kita dapat menggunakan metode exportXfdf dalam kelas Form.

Untuk mengekspor data ke XFDF, Anda perlu membuat objek dari kelas Form dan kemudian memanggil metode exportXfdf menggunakan objek OutputStream. Cuplikan kode berikut menunjukkan cara mengekspor data ke file XFDF.

public static void ExtractFormExportXFDF() {
        String pdfFileName = Paths.get(_dataDir, "StudentInfoFormElectronic.pdf").toString();
        String fdfFileName = Paths.get(_dataDir, "student.xfdf").toString();
        com.aspose.pdf.facades.Form form = new com.aspose.pdf.facades.Form(pdfFileName);

        OutputStream fdfOutputStream;
        try {

            fdfOutputStream = new FileOutputStream(fdfFileName);

            // Ekspor data
            form.exportXfdf(fdfOutputStream);

            // Tutup file stream
            fdfOutputStream.close();

        } catch (IOException e) {
            // TODO: tangani pengecualian
            e.printStackTrace();
        }
    }

Java: Ekstrak Teks Dari Stempel

Mon, 01 Jan 0001 00:00:00 +0000

Ekstrak Teks dari Anotasi Stempel

Aspose.PDF untuk Java memungkinkan Anda mengekstrak teks dari anotasi stempel. Untuk mengekstrak teks dari Anotasi Stempel dalam PDF, langkah-langkah berikut dapat digunakan.

Buat objek kelas Document
Dapatkan Anotasi yang diinginkan dari daftar anotasi pada sebuah halaman
Definisikan objek baru dari kelas TextAbsorber
Gunakan metode visit dari TextAbsorber untuk mendapatkan Teks

Document doc = new Document(dataDir+"test.pdf");
Annotation item = doc.getPages().get_Item(1).getAnnotations().get_Item(3);
if (item instanceof StampAnnotation ) {
   StampAnnotation annot = (StampAnnotation) item;
   TextAbsorber ta = new TextAbsorber();
   XForm ap = annot.getNormalAppearance();
   ta.visit(ap);
   System.out.println(ta.getText());
}