· 文本檢索:

檢索文本的填充色和描邊色

改善布局檢測

 

· 圖像檢索

顯著增強分散圖像的合并

提取圖像蒙版和軟蒙版

 

· 頁面處理:

榮譽圖層和剪輯路徑

 

· TETML 內(nèi)容:

包括符號的填充色和描邊色、顏色空間和ICC文件配置細節(jié)

 

一些新的pCOS 偽對象

全新的PDFlib TETPDF IFilter 5 (企業(yè)版PDF搜索應用于窗口)版本現(xiàn)已可用。

 

 

PDFlib TET 5 - 特性
PDFlib文本和圖像提取工具包（TET）旨在從PDF文檔中提取文本和圖像，但也可用于從PDF檢索其他信息。
接受PDF輸入
TET支持所有相關(guān)的PDF輸入：
所有PDF版本到Acrobat DC，包括ISO 32000-1和-2
保護那些打開不需要密碼的PDF文檔

損壞的PDF文檔將被修復

世界的所有寫作系統(tǒng)

TET在世界上所有書寫系統(tǒng)中處理PDF文檔，并實現(xiàn)某些腳本所需的特殊處理：

拉丁語，希臘語和西里爾字母，包括脫音

阿拉伯語和希伯來語，包括從右到左和雙向文本的邏輯重新排序;阿拉伯語呈現(xiàn)形式的規(guī)范化

簡體和繁體中文，日語和韓語，無論編碼;水平和垂直文本

印度文字（無字形重排）

Unicode支持的所有其他語言和腳本

Unicode

由于PDF中的文本通常不以Unicode編碼，因此PDFlib TET將PDF文檔中的文本標準化為Unicode：

TET將所有文本內(nèi)容轉(zhuǎn)換為Unicode。在C和其他非Unicode感知語言中，文本以UTF-8或UTF-16格式返回，并作為具有Unicode功能的編程語言的本地字符串返回。

字符和其他多字符字形被分解為相應的Unicode字符序列。

沒有適當?shù)腢nicode映射的字形被識別，并被映射到可配置的替換字符，以避免誤解。

TET針對特定文檔創(chuàng)建包（例如InDesign和TeX文檔或在大型機系統(tǒng)上生成的PDF）的問題實施各種解決方法。

內(nèi)容分析和字檢測

TET包括專利內(nèi)容分析算法：

確定檢索正確單詞所需的單詞邊界

重組連字字的部分（去連字）

刪除重復的文字實例，例如陰影和人為粗體文本

按閱讀順序重新組合段落

正確排序散布在頁面上的文本

頁面布局和表檢測

分析頁面內(nèi)容以確定文本列。檢測表，包括跨越多個列的單元格。這改進了提取的文本的排序?？梢詷俗R表行和每個表單元格的內(nèi)容。

幾何

TET提供了文本的精確度量，例如頁面上的位置，字形寬度和文本方向。頁面上的特定區(qū)域可以被排除或包括在文本提取中，例如。以忽略頁眉和頁腳或邊距。

文本顏色

TET分析PDF頁面描述中的顏色信息，并返回每個字形的精確顏色信息。這可以用于例如識別標題或其他突出顯示的文本。

圖像提取

PDF頁面上的圖像可以提取為TIFF，JPEG，JPEG 2000或JBIG2文件。針對每個圖像報告精確的幾何信息（位置，大小和角度）。分割的圖像被組合到較大的圖像以方便重新使用。由于不進行下采樣或顏色轉(zhuǎn)換，保證了圖像保真度。這確保了最高的圖像質(zhì)量。

PDF分析

TET庫包括用于查詢PDF文檔的詳細信息的pCOS接口，例如文檔信息和XMP元數(shù)據(jù)，字體列表，頁面大小等等。

有問題的PDF的配置選項

TET包含各種PDF的特殊處理和解決方法，其中文本無法與其他產(chǎn)品正確提取。此外，它包括各種配置功能，以改善問題文檔的處理：

Unicode映射可以通過用戶提供的表來定制，用于將字符代碼或字形名稱映射到Unicode。

PDFlib FontReporter是一個用于分析PDF中的字體，編碼和字形的輔助工具。它作為Adobe Acrobat的插件。此插件可免費用于OS X / macOS和Windows。

分析嵌入字體以查找Unicode映射的其他提示。如果未嵌入字體，則使用外部字體文件或系統(tǒng)字體來提高文本提取結(jié)果。

Unicode后處理

TET支持各種Unicode后處理步驟，可用于改進提取的文本：

折疊保留，刪除或替換字符，例如。從不相關(guān)的腳本中刪除標點符號或字符。

分解用一個或多個其他字符的等效序列替換字符，例如。用其各自的標準對應物替換窄的，寬的或垂直的日語字符或拉丁上標變體。

文本可以轉(zhuǎn)換為所有四種Unicode標準化形式，例如。發(fā)射NFC表單以滿足Web文本或數(shù)據(jù)庫的要求。

文檔域

PDF文檔可能包含除頁面內(nèi)容之外的其他位置的文本。雖然大多數(shù)應用程序?qū)H處理頁面內(nèi)容，但在許多情況下，其他文檔域也可能是相關(guān)的。 TET從以下所有文檔域中提取文本：

頁面內(nèi)容

預定義和自定義文檔信息條目

文檔和圖像級別的XMP元數(shù)據(jù)

書簽

文件附件和PDF文件包可以遞歸處理

表單域

評論（注釋）

可查詢一般PDF屬性，如頁數(shù)，符合PDF / A或PDF / X等標準。

XMP元數(shù)據(jù)

TET以多種方式支持XMP元數(shù)據(jù)：

使用集成的pCOS接口，可以以編程方式提取文檔，單個頁面，圖像或文檔的其他部分的XMP元數(shù)據(jù)。

TETML輸出包含XMP文檔和圖像元數(shù)據(jù)（如果存在于PDF中）。

以TIFF或JPEG格式提取的圖像包含圖像元數(shù)據(jù)（如果存在于PDF中）。

TETML表示作為XML的PDF內(nèi)容

TET可選地表示稱為TETML的XML風格中的PDF內(nèi)容。它包含各種各樣的PDF信息，可以很容易地使用常用的XML工具進行處理。 TETML包含實際文本以及可選的字體和位置信息，資源詳細信息（字體，圖像，顏色空間）和元數(shù)據(jù)。

TETML還包括交互式元素，例如表單字段，注釋，書簽等。它甚至可以用于分析JavaScript或顏色空間細節(jié)，ICC配置文件或輸出意圖。

TETML由相應的XML模式管理，以確保TET始終創(chuàng)建一致和可靠的XML輸出。 TETML可以用XSLT樣式表處理，例如。應用某些過濾器或?qū)ETML轉(zhuǎn)換為其他格式。用于處理TETML的樣本XSLT樣式表包括在TET分布中。

以下片段顯示具有字形詳細信息的TETML輸出：

 

PDFlib

TET連接器

TET連接器提供必要的粘合代碼來與其他軟件進行TET接口。以下TET連接器使PDF文本提取功能可用于各種軟件環(huán)境：

Lucene搜索引擎的TET連接器

Solr搜索服務器的TET連接器

TIKA工具包的TET連接器

Oracle Text的TET連接器

MediaWiki的TET連接器

TET PDF用于Microsoft產(chǎn)品的IFilter可作為單獨的產(chǎn)品提供。它從PDF文檔中提取文本和元數(shù)據(jù)，并使其可用于在Windows上搜索和檢索軟件。

TET食譜

TET Cookbook是一個編程示例的集合，演示了TET對各種文本和圖像提取任務的使用。幾個Cookbook示例展示了如何結(jié)合TET和PDFlib + PDI產(chǎn)品，以增強PDF文檔，例如?；陧撁嫔系奈谋咎砑訒灮蜴溄?。