Informationen durch das Extrahieren von Daten aus PDF-Dokumenten gewinnen
Das Extrahieren von Text aus einem PDF-Dokument gehört zu den beliebtesten Funktionen zur Informationsbeschaffung. Aber wie wäre es mit anderen Informationen wie Bildern, Metadaten und mehr? Es kann einfach sein - aber auch knifflig.
Zu den einfachsten Dingen, die extrahiert werden können, gehören Metadaten. Die Dokumenten-Metadaten können normalerweise als kurzer XMP-Stream extrahiert werden. Selbst wenn das Dokument ein altmodisches Informationswörterbuch enthält, ist die Extraktion der Schlüssel/Wert-Paare kein großes Problem. Ähnlich sind Gliederungen (Lesezeichen), Navigationselemente wie benannte Ziele, Links usw.
Die Extraktion der grafischen Inhalte einer Seite ist jedoch viel komplexer. Theoretisch ist es möglich, jedes Inhaltsobjekt und die zugehörigen Ressourcenobjekte zu extrahieren und sie zum Erstellen einer HTML-Seite oder einer Seite in einer anderen Auszeichnungssprache zu verwenden. In praktischen Anwendungen erweist sich dies aufgrund des Grafikmodells, das PDF bietet, als zu komplex. Dieses Modell hat einige einzigartige Merkmale wie Muster, Schattierungen und Transparenzgruppen mit einer Vielzahl von Mischmodi. Darüber hinaus unterscheiden sich die Scan-Konvertierungsregeln erheblich von denen, die in handelsüblichen Grafikprozessoren integriert sind. Daher kann die Zuordnung einer PDF-Seitenbeschreibung zu HTML, PCL oder sogar PostScript nur durch die Transformation der Seitenbeschreibung unter Verwendung von Transparenzabflachung und anderen Techniken erfolgen.
Aus diesem Grund ist es, wenn man die Seiteninhalte in ein anderes Dokumentenformat konvertieren muss, viel klüger, ein spezialisiertes Konverter-Tool wie den PDF to Image Converter zu verwenden.
Die meisten Anwendungen befassen sich mit der Extraktion von Text. Typische Anwendungsbereiche sind die Klassifizierung von Transaktionsdokumenten wie Rechnungen, die Implementierung einer Textsuchfunktion in Dokumentenarchiven und viele mehr. Für weitere Informationen siehe bitte diesen Artikel: Warum ist die Extraktion von Text aus einem PDF-Dokument so mühsam?
Wie oben dargelegt, kann die Extraktion von Informationen aus einem PDF-Dokument sehr einfach, aber auch ziemlich knifflig sein. Es hängt davon ab, welche Art von Informationen die Anwendung benötigt. Um die Programmierung solcher Anwendungen so einfach wie möglich zu gestalten, haben wir ein spezialisiertes Tool, das PDF Extract Tool, entwickelt. Es bietet eine benutzerfreundliche Oberfläche, die auf den oben genannten Erkenntnissen basiert. Die meisten Anwendungsfälle können mit nur wenigen Codezeilen behandelt werden. Dies wird erreicht, indem einige Funktionen des PDF-Grafikmodells, wie z. B. Koordinatentransformationen, dem Programmierer verborgen bleiben.
