Pdftranspro简介

前言

PDF 文件是一种非常常用的文件格式，在企业信息系统存储和交换信息中普遍使用。然而从 PDF 文档中获取表格段落等文档内容却是一件非常麻烦的事情，这是因为pdf的设计初衷是基于文档显示的，为了能保证在不同平台中完全一致的视觉效果，文档以页为单位存储的是一系列包含线条、字符、图片等基本元素的绘图指令。基于这个原因，pdf文档不能像word文档一样直接获取表格和段落，如要获取结构化的文档内容，需要在获取字符、线条等图形及坐标基础上按阅读顺序把含线条、字符、图片等基本元素拼接成文档，过程十分复杂，而且需要不断优化才能达到满意的效果。

PDFBox是apache基金会旗下的一个为java开发人员读取和创建PDF文档而准备的纯Java开源类库。通过PDFBox可以轻松解析PDF文档并逐页获取图形元素及坐标。

pdftranspro是基于PDFBox的一款专业 pdf 文本内容提取软件，支持windows和linux平台，经过数年的持续改进其内容提取能力已经达到令人惊艳的地步，不仅能对跨页、跨栏的段落或表格进行合并处理，精确还原整篇文档内的段落和表格，而且可以同时输出html、xml、json、txt 等 4 种格式，方便用户高效获取 pdf 文档内的精确信息或数据。pdftranspro也提供 pdf文档截取合并等实用的 pdf 编辑功能。其个人版提供操作界面，可以一键处理单个pdf文档，个人用户免费使用；其收费版可以通过控制台方式或SDK方式集成pdf转换功能，需取得licence文件才能使用，用户可免费试用。

各版本及功能

版本	功能	平台	应用场景
免费版	以界面方式执行单个 pdf 文档转换、截取或合并 pdf 文档。	Windows/linux	适用于手动方式对 pdf 文档进行转换、截取、合并等。个人用户免注册，无需授权。
单任务版	增加界面方式连续单任务执行批量 pdf 文档转换功能。	Windows/linux	适用于批量 pdf 文档转换，无需手动逐个转换，单任务方式处理。
多任务版	增加界面方式连续多任务执行批量 pdf 文档转换功能。	Windows/linux	适用于大批量 pdf 文档转换，最多可设置 10 个并发处理数。
控制台版	增加命令行方式调用 PDF 文档转换功能。	Windows/linux	适用于以工作流方式集成 pdf 文档转换功能。
SDK版	增加 Java 调用 SDK 方式执行PDF 文档转换功能。	Windows/linux	适用于以Java调用SDK方式集成pdf文档转换功能，可返回转换文本。

效果展示

运行界面截图如下：

 其中转换样式有“标记页码”和“跨页合并”两种样式可选。输出格式有html、xml、json、txt四种格式可选。以下图pdf为例说明如下：

 

以 “标记页码”样式输出html文件截图如下：

 以 “跨页合并”样式输出html文件截图如下：

 

 针对有单元格合并的表格，在输出xml、json、txt格式文件中可还原合并单元格，pdf截图如下：

输出txt文件截图如下：

 针对页面中有分栏的情况，可以按阅读顺序衔接，pdf截图如下：

 输出html文件截图如下：

 更多详细资料

手把手教你用pdftranspro命令行提取pdf文档内容（含表格及段落）

java调用SDK版pdftranspro接口详解

三行java代码解析pdf获取文档内容

下载链

下载试用pdftranspro1.7

 下载试用pdftranspro2.0

java调用SDK版pdftranspro示例

本文完。