PDFTextStream

Projekt PDFTextStream jest tekst w formacie PDF i metadane dostępne dla biblioteki ekstrakcji, Python, Java i .NET.
Obsługuje wszystkie wersje specyfikacji dokumentu PDF (w tym v1.6, używane przez Acrobat 7), ekstrakcja tekstu zakodowanego przy użyciu zestawów znaków dwubajtowych (w tym chiński, japoński i koreański), deszyfrowania 40-bit i 128- bitowe szyfrowane dokumenty i wydobycie wszystkich metadanych dokumentów dostarczonych przez dokumenty PDF (w tym dane z formularzy, zakładki i adnotacje).
Łatwa integracja z Jakarta Lucene jest wliczone

Co nowego w tym wydaniu:.

• Ta wersja zawiera wiele poprawek wykonany w celu zapewnienia PDFTextStream jest w stanie wyciągnąć tekst z dokumentów w formacie PDF, które są na niezgodność ze specyfikacją PDF.
• zawiera również szereg ulepszeń wydajności.

Co nowego w wersji 2.3.0:

• Dodano metodę .isStruckThrough () do com. snowtide.pdf.TextUnit, ze wskazaniem, czy postać ma przekreślenie narysowany przez niego.
• Ulepszone wsparcie dla wbudowanych PDFTextStream mapowania znaków.
• obliczenie spacji między słowami została ustalona prawidłowo stanowią spacji, która jest wyraźnie zakodowanego w dokumentach źródła PDF.
• Ulepszona obsługa PDFTextStream za kompozytowych kodowania zawartości, które wcześniej mogły nie wynikające w niektórych zakresach zawartości PDF są "ignorowane" podczas ekstrakcji.
• Naprawiono błąd w VisualOutputTarget gdzie tekst z jednej linii będzie podzielony na wiele linii
• Zwiększona pionowe wyrównanie tekstu uzyskiwane przy użyciu VisualOutputTarget
• Lepsze VisualOutputTarget produkcji ekstraktów, aby wyeliminować fałszywe dodatkowe spacje pomiędzy ściśle przylegającymi słów

Co nowego w wersji 2.2.5:

• W tej wersji dodano wsparcie dla wydobycia XFA formularze danych, jak XML.
• To znacznie poprawia wydajność ekstrakcji tekstu przy użyciu VisualOutputTarget. Wsparcie dla dokumentów PDF większych niż 2 GB.
• poprawka dla błędu gdzie kodowania z osadzonych czcionek Type1 nie były wcześniej stosowane właściwie w pewnych okolicznościach.
• poprawka dla problemu, gdzie nowsze zawartość w zaktualizowanych dokumentów PDF niekiedy są ignorowane.
• poprawka dla problemu, gdzie PDFDocEncoding zakodowane zakładki i metadane nie są prawidłowo dekodowane.
• .getDestinationName () metoda com.snowtide.pdf.Bookmark.

Wymagania :

• Apache Lucene