Есть таблица с данными в pdf файле.
Необходимо программно извлечь эти данные из таблицы.
Я нашла только, как можно извлечь весь текст, но это пока не очень подходит.
Хочется чтобы данные можно было извлекать порциями, в порядке как они лежат
в таблице.
Подскажите, плиз, возможно ли это? и можно ли вообще решить данную проблему

Тамара а как ты читаешь текст, с помощью чего?

Я считывала с помощью библиотеки PDFBox. Получается обычное считывание текста в потоке из файла.
Не удобно

PDFBox осуществляет полный разбор PDF файла, с сохранением всех объектов. Только вот чтобы вытащить из него таблицы надо будет постараться, надо смотреть спецификацию PDF, как там хранятся таблицы.

"Некромантирую" темку 

Давненько уже не садился за Java. 

Задача тривиальна - просто получить некоторую информацию о PDF-файле.



PageSize - возвращает мне размеры в поинтах, я так полагаю, что я перевожу в миллиметры, соотв 72 поинта = 1 дюйм, 1 дюйм = 25,4 мм.. Или я ошибаюсь??

И может есть какие методы которые возвращают размеры не в поинтах??

мож кто-нить API поделится на тему как работать с pdf  в Java? 

Судя по вялости темы, надеяться на горячее обсуждение не стоит, "но вопросы жгут мне небо перцем и хотят наружу.." (С) М. Щербаков.
Пользую PDFBOX 0.7.3. PDFTextStripper "пропускает" пробелы, что на многих англоязычных форумах обсуждается безрезультатно, причем, мне, как человеку поверхностно пролиставшему описание PDF, не ясно, в том ли  проблема, что он неверно сращивает куски текста из потока (исходник: http://kickjava.com/src/org/pdfbox/util/PD...ripper.java.htm - алгоритм понятный и в релизе 0.7.4 класс, хоть и переписан, но идея осталась прежней), или он, возможно, пренебрегает какой-то часть данных.. (?)

Например, применив PrintTextLocations из org.pdfbox.examples.util , получаю

String[341.88,176.15997 fs=1.0 xscale=6.0 height=3.7500005 width=7.2059937]41

реально числа "4" и "1" должны быть разделены пробелом, и при копировании "4 1" через текстовой буфер Adobe Acrobat'a, я могу благополучно перенести этот текст в "блокнот".

Цеплял PDFBOX 0.7.4 - с тем же результатом, написал Ben Litchfield'у, но, т.к. аналогичные вопросы на многих форумах оставлены им без ответа, то особо не жду ответа. А отказываться от библиотеки жалко. Кто-нибудь знаком с проблемой?
Спасибо.

P.S. API в архиве http://sourceforge.net/projects/pdfbox/fil....3.zip/download, есть на сайте, но версия 0.7.4, исходники надо искать в сети

С этой страницы http://incubator.apache.org/pdfbox/download.html можно загрузить требуемые версии PDFBox'a или рабочую версию из репозитория Subversion.

В общем, проблема понятна: PDFTextStripper пренебрегает указаниями оператора "Tc", 
Example:

BT
 6 0 0 6 244.0800018311 795.8400268555 Tm
 6.5475001335 Tc
 (41) Tj

пробел между 4 и 1 поставлен не будет. 

Решение разместил на http://issues.apache.org/jira/browse/PDFBOX-508. С моей задачей работает.

Я только начинаю изучать JavaScript. Вот, вопрос появился - скрипт работает в какой-нибудь программе (в браузере, например), можно ли программно открыть пдф-файл (расположенный на этом же компьютере), и из него брать текстовую информацию?

Начни с разницы между Java и JavaScript.

Интересные комменты к статье.
Но, цитируя zxspectrum128k, высказавшегося в одном из комментов:

zxspectrum128k/ 29 октября 2006, 20:50:33
здесь нету того, что я искал

скажу - все-таки здесь нету того, что я искал.
Можно ли при помощи JavaScript, работающей в браузере или какой-нибудь другой программе, брать инфу (текст, картинки) из сторонних документов - PDF, DOC, TXT?

Или тут не JavaScript обсуждают? О, я, кажись, не туда попал? 
Ну, звыняйте.

Это сообщение отредактировал(а) Vladimir_K - 18.10.2010, 18:28