• PDFlib TET(文本内容提取工具包)是一款可以从任意PDF文档格式中可靠地提取文本信息的软件。它不仅可以作为一种库/控件,还可以一种命令行工具。该工具包可以使得PDF格式的文本内容转换成Unicode(统一的字符编码标准)字符串,并附加详细的字形和字体信息。一旦拥有了TET,你就可以从PDF文档中的文本获取相应的Unicode字符值,以及它在页面的位置。

     

     

    特征综述 About Feature

     

    PDFlib TET 特征:
    除了低水平的文字获取功能外,TET还包含有文本内容分析算法——鉴别单词边界,去除冗余和重复文本(比如文字阴影和字体加粗)。使用辅助的PCOS接口,你就可以从PDF格式文本获取任意格式的对象,比如元数据,超文本等。

    • 一旦拥有PDFlib,你就可以实现以下功能:
      • 从PDF格式文本中提取内容,然后存储到数据库中
      • 执行搜索引擎来处理PDF格式文本
      • 将PDF格式的文本页面转换成XML格式文本,以便其他工具处理
      • 基于PDF格式的文本内容进行处理

       
    • 支持的PDF文本格式输入
      • 版本1.6以下的所有PDF版本(Acrobat7)
      • 所有的字体和编码类型:base 14字体,TrueType字体,PostScript字体, CID字体用40-128位密钥加密的PDF(适当的权限密码设置)

       
    • Unicode
      • 尽管PDF文档中的文本并不是经常用Unicode进行编码,PDFlib TET将会使PDF文档中的文本统一规格化为Unicode字符。
      • TET转换所有的文本内容为Unicode字符。中文文本将会转换成UTF-8或UTF16格式,同样地,其他语言的文本将会转换成本地的Unicode字符串。
      • 连字符和其他多字符字形将会分解成一系列的Unicode 字符串。
      • 没有适当的Unicode映射的字形可以被识别并且被映射到可配置的替换字符

       
    • 完全支持CJK(中文,日文,韩文)语种
      • TET包含有对中文,日文,韩文文本提取功能的全面支持。识别所有预先定义的CJK映射(编码);支持横向和纵向书写模式。

       
    • 内容分析和单词识别
      TET不仅可以获取低水平的字形信息,还包含对内容分析的高级算法:
      • 检查单词边界来获得单词而不是字符串。
      • 重新组合带有连字符号的单词的各部分。
      • 去除重复的文本内容,比如阴影效果文本和加粗效果的文本
      • 按照阅读顺序重新整合段落
      • 对页面上散乱的文本内容进行重排
      • 重建文本行

       
    • 几何功能
      TET对文本提供精确的几何功能,比如页面定位,字形宽度,文字方位。在文字提取过程中,可以指定页面某区域被提取或不被提取,比如忽略头注,脚注或页边空白区域。
    • 简单访问PDF对象的pCOS接口
      TET包含有获取任意PDF对象的pCOS(PDFlib综合性对象系统)接口。拥有了pCOS,只要一个简单的查询接口,不需要任何底层编程,你就可以获取PDF元数据,超文本,或是除实际页面描述之外的其他任意信息。
    • 编程和性能
      TET是基于轻便性,高性能,健壮性思想进行开发的。TET在多线程服务器应用程序开发部署中保证线程级安全。核心库是由具有高性能和低成本的并且高度优化过的C代码编写的。附加的语言包对COM,C,C++,Java和.NET均有效。TET命令行工具和TET库TET在不同的开发环境中可以作为一种编程库(控件),以及在批处理命令中作为一种命令行工具。两者都提供了相同的基本功能,并且适合不同的部署任务。以下提供选择的参考指南:
      • TET编程库可以整合到你的桌面或服务器端应用程序。关于使用包含所有支持的语言包的编程库的实例都包含在TET包中。
      • TET命令行工具适合批处理PDF文档。它不需要任何的编程,只需要提供能够整合到复杂的工作流程中的命令行参数。TET命令行工具可以将PDF格式的页面内容转换为Unicode文本格式的XML文档(有或没有字符几何特征)