PDFTextStream

PDFTextStream projekt er en PDF tekst og metadata udvinding bibliotek til rådighed for Java, Python, og .NET.
Det understøtter alle versioner af PDF-dokumentet specifikationen, (herunder v1.6, som anvendes af Acrobat 7), udvinding af tekst kodet med dobbeltklæbende byte tegnsæt (herunder kinesisk, japansk og koreansk), dekryptering af 40-bit og 128- bit krypterede dokumenter og udvinding af alle dokumenttyper metadata, som PDF-dokumenter (herunder formulardata, bogmærker og noter).
Nem integration med Jakarta Lucene er inkluderet

Hvad er nyt i denne udgivelse:.

• Denne version indeholder en række rettelser foretaget at sikre PDFTextStream kan udtrække tekst fra PDF-dokumenter, der er afvigende i PDF-specifikationen.
• Det omfatter også en lang række forbedringer af ydeevne.

Hvad er nyt i version 2.3.0:

• Tilføjet en .isStruckThrough () metode til com. snowtide.pdf.TextUnit, der angiver, om et tegn har en gennemstregning trukket gennem det.
• Forbedret PDFTextStream støtte til indlejrede tegn tilknytninger.
• Beregningen af ​​blanke mellem ord er blevet fastsat til korrekt højde for blanke tegn, der er udtrykkeligt kodet i kilden PDF-dokumenter.
• Forbedret PDFTextStream håndtering af sammensatte indhold kodninger, som tidligere kunne mislykkes resulterer i nogle intervaller af PDF-indhold bliver "ignoreret" under ekstraktionen.
• Rettet en fejl i VisualOutputTarget hvor tekst fra en enkelt linje vil blive delt over flere linjer
• Forbedret lodrette justering af tekst ekstraheres med VisualOutputTarget
• Forbedret VisualOutputTarget-producerede ekstrakter til at eliminere falske ekstra mellemrum mellem nært tilstødende ord

Hvad er nyt i version 2.2.5:

• Denne version tilføjer understøttelse for udvinding XFA formularer data XML.
• Det forbedrer ydeevnen af ​​tekst ekstraktion med VisualOutputTarget. Støtte til PDF-dokumenter større end 2GB.
• En rettelse til en fejl, hvor de kodninger fra indlejrede Type1-skrifttyper var tidligere ikke anvendes korrekt under visse omstændigheder.
• En rettelse til et problem, hvor nyere indhold på opdaterede PDF-dokumenter blev undertiden bliver ignoreret.
• En rettelse til et problem, hvor PDFDocEncoding-kodet bogmærker og metadata ikke blev afkodes korrekt.
• A .getDestinationName () metode i com.snowtide.pdf.Bookmark.

Krav :

• Apache Lucene