如何将 PDF 中的文本提取为 JSON 格式

一些 PDF 文件是“带标签”的，意味着它们包含关于文件结构的信息。这种结构作为元数据嵌入在 PDF 中，由一系列标签组成，用于标记诸如标题、段落、列表、表格和图像等元素。

这非常类似于 HTML，其中的文本包含在具有语义意义的元素中，例如表示段落的 <p> 或表示表格的 <table>。

如果 PDF 文件确实包含结构化内容（也称为标记内容），那么它就可以被处理并转换为其他格式。

 

什么是 JSON？

JSON（JavaScript 对象表示法的缩写）是一种轻量级、基于文本的格式，用于在系统之间存储和交换结构化数据。

它以键值对和数组的形式表示数据，使得机器和开发者都能轻松读取和编写。JSON 被广泛用于 Web 应用中，在服务器和客户端之间传输数据，而且被大多数编程语言原生支持。

尽管起源于 JavaScript，但 JSON 是一种语言无关的格式，已成为 API 和软件系统中通用的数据格式。

 

PDF 与 JSON 的区别

这两种格式有着截然不同的用途。PDF 保留了文档的固定视觉布局，非常适合用于分享可供打印的内容，例如报告、合同和官方文档。它被广泛应用于需要在不同设备间保持外观一致性的场景中，是最受支持的文档格式之一。

相比之下，JSON 不是为展示而设计的，而是为了数据交换和存储。JSON 通常用于 Web 开发、API 和软件应用中，用于在服务器和客户端之间发送结构化数据，如用户资料、设置或实时内容。

JSON 可以直接被文本编辑器（如 Visual Studio Code）导入，而不影响其结构；但 PDF 文件则不具备这样的灵活性。由于其结构化的特点，JSON 也更适合被像大型语言模型这样的 AI 技术抓取和理解。

 

将结构化 PDF 文件转换为 JSON

我们最近在 JPedal 中添加了 PDF 转 JSON 的支持。如果你的 PDF 文件包含结构化内容（怎么知道呢？），那么 JPedal 可以使用以下代码片段将其转换为 JSON：

ExtractStructuredTextProperties properties = new ExtractStructuredTextProperties();

properties.setFileOutputMode(OutputModes.JSON);

 

ExtractStructuredText.writeAllStructuredTextOutlinesToDir("inputFile.pdf", password, "outputFolder", null, null);

了解更多有关带标签 PDF 的信息
了解更多关于 JPedal —— 我们强大的 PDF 工具包

本指南演示了如何使用几行 Java 代码将结构化的 PDF 文件转换为 JSON 格式。同时，它还介绍了 PDF 和 JSON 之间的关键区别，帮助你判断哪种格式最适合你的需求。

想要更深入了解 PDF？请阅读我们的其他文章 —— 我们已经专注这一格式超过十年！

 

我们的主页：PDF 转 HTML5、Java 图像库、Java PDF SDK - IDRsolutions