PDFlib TET

· 文本檢(jiǎn)索:

檢索文本的填充色和描邊色

改善布局檢測

· 圖(tú)像檢(jiǎn)索

顯著增強分散圖像的合並

提取圖像蒙版和軟蒙版

· 頁(yè)面處(chù)理:

榮譽圖層和剪輯路徑

· TETML 内容:

包括符号的填充色和描邊(biān)色、顔色空間(jiān)和ICC文件配置細節

一些新的pCOS 僞對象

全新的PDFlib TETPDF IFilter 5 (企業版PDF搜索應用於(yú)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，但也可用於從PDF檢索其他信息。
接受PDF輸入
TET支持所有相關的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文檔将被修複

世界的所有寫作系統

TET在世界上所有書寫系統中處(chù)理PDF文檔，並(bìng)實現某些腳本所需的特殊處(chù)理：

拉丁語
，希臘(là)語和西裏爾(ěr)字母，包括脫音

阿拉伯語和希伯來語
，包括從(cóng)右到左和雙向文本的邏輯重新排序;阿拉伯語呈現形式的規範(fàn)化

簡體和繁體中文，日語和韓(hán)語，無論編(biān)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(yǔ)言和腳(jiǎo)本

Unicode

由於(yú)PDF中的文本通常不以Unicode編(biān)碼，因此PDFlib TET将PDF文檔中的文本标準化爲Unicode：

TET将所有文本内容轉換爲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，並(bìng)作爲具有Unicode功能的編(biān)程語言的本地字符串返回。

字符和其他多字符字形被分解爲(wèi)相應(yīng)的Unicode字符序列。

沒有适當(dāng)的Unicode映射的字形被識别，並(bìng)被映射到可配置的替換字符，以避免誤解。

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

内容分析和字檢測

TET包括專(zhuān)利内容分析算法：

確(què)定檢索正確(què)單詞所需的單詞邊(biān)界

重組(zǔ)連(lián)字字的部分（去連(lián)字）

删除重複(fù)的文字實(shí)例，例如陰影和人爲粗體文本

按閱讀順序重新組合段落

正確(què)排序散布在頁(yè)面上的文本

頁面布局和表檢測

分析頁面内容以確(què)定文本列。檢測表，包括跨越多個列的單元格。這改進瞭(le)提取的文本的排序。可以标識表行和每個表單元格的内容。

幾何

TET提供瞭(le)文本的精確(què)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。

文本顔色

TET分析PDF頁面描述中的顔色信息，並(bìng)返回每個字形的精確顔色信息。這可以用於(yú)例如識别标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爲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。由於(yú)不進行下採樣或顔色轉換，保證瞭(le)圖像保真度。這確保瞭(le)最高的圖像質量。

PDF分析

TET庫包括用於(yú)查詢PDF文檔(dàng)的詳細信息的pCOS接口
，例如文檔(dàng)信息和XMP元數據，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産(chǎn)品正確(què)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，用於(yú)将字符代碼或字形名稱(chēng)映射到Unicode。

PDFlib FontReporter是一個用於(yú)分析PDF中的字體，編(biān)碼和字形的輔助工具。它作爲Adobe Acrobat的插件。此插件可免費用於(yú)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字體來(lái)提高文本提取結(jié)果。

Unicode後處理

TET支持各種Unicode後處(chù)理步驟，可用於(yú)改進提取的文本：

折疊保留，删除或替換字符
，例如。從(cóng)不相關的腳本中删除标點(diǎn)符号或字符。

分解用一個或多個其他字符的等效序列替換字符，例如。用其各自的标準對(duì)應物替換窄的，寬的或垂直的日語字符或拉丁上标變(biàn)體
。

文本可以轉換爲所有四種Unicode标準化形式，例如
。發(fā)射NFC表單(dān)以滿足Web文本或數據庫的要求。

文檔域

PDF文檔可能包含除頁面内容之外的其他位置的文本。雖然大多數應用程序将僅處(chù)理頁面内容，但在許多情況下，其他文檔域也可能是相關的。 TET從(cóng)以下所有文檔域中提取文本：

頁面内容

預定義和自定義文檔(dàng)信息條(tiáo)目

文檔(dàng)和圖像級(jí)别的XMP元數據

書簽

文件附件和PDF文件包可以遞(dì)歸處(chù)理

表單域

評論（注釋）

可查詢一般PDF屬(shǔ)性，如頁數(shù)，符合PDF / A或PDF / X等标準。

XMP元數據

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(biān)程方式提取文檔
，單(dān)個頁面，圖像或文檔的其他部分的XMP元數據。

TETML輸出包含XMP文檔(dàng)和圖像元數據（如果存在於(yú)PDF中）。

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

TETML表示作爲XML的PDF内容

TET可選地表示稱(chēng)爲TETML的XML風格中的PDF内容。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(chù)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，顔色空間）和元數據。

TETML還包括交互式元素，例如表單(dān)字段，注釋，書簽等。它甚至可以用於(yú)分析JavaScript或顔色空間細節，ICC配置文件或輸出意圖。

TETML由相應的XML模式管理，以確(què)保TET始終創建一緻和可靠的XML輸出。 TETML可以用XSLT樣式表處理，例如。應用某些過濾器或将TETML轉換爲其他格式。用於(yú)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(xì)信息的TETML輸(shū)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文本提取功能可用於(yú)各種軟件環(huán)境
：

Lucene搜索引擎的TET連(lián)接器

Solr搜索服務(wù)器的TET連(lián)接器

TIKA工具包的TET連(lián)接器

Oracle Text的TET連(lián)接器

MediaWiki的TET連(lián)接器

TET PDF用於(yú)Microsoft産品的IFilter可作爲單獨的産品提供。它從PDF文檔中提取文本和元數據，並(bìng)使其可用於(yú)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，演示瞭(le)TET對各種文本和圖像提取任務的使用。幾個Cookbook示例展示瞭(le)如何結合TET和PDFlib + PDI産品，以增強PDF文檔，例如。基於(yú)頁面上的文本添加書簽或鏈接。