提取PDF文档的特定部分
我有多个（30）PDF文件，每个包含48-96页。 所有页面的布局是相同的，只有其他内容（数字，graphics）。
背景：这些页面是光纤电缆测量的PDF报告，我必须通过电缆的衰减对它们进行分类。 由于机密问题，我不幸举例不了文件。
为了validation这些报告，我们正在做一些控制样本，这就是为什么我需要sorting的报告。 现在的问题是：我如何才能将所有pdf文件中的所有页面的特定部分导出为我可以sorting的格式？
如前所述，这些值在页面上的位置非常具体。 它也是“parsing”的内容，所以它在PDF文件中可以“作为文本”使用，所以它不被扫描，不需要OCR。
任何帮助表示赞赏。 我目前不知道如何解决这个问题，它可能是一些类似的工具，或编程方法来解决这个问题。
正如您在对原始问题的评论中指出的那样，您已准备好编制解决scheme。 我会build议使用Java和iText PDF库。 它使您能够从文档中提取文本，只要文本实际上是可提取的（您实际上可以将字形放入PDF中，但将字形映射从字形中删除）。
您可以在iText in Action – 第2版的 第15章的ExtractPageContent *示例中findiText的PDF文本提取示例代码。 特别是ExtractPageContentArea在你的情况下是有趣的。
本质上，你只需要采取这个样本，并概括它也从页面上的多个区域提取文本。