PDFlib TET

PDFlib TET (Text and Image Extraction Toolkit) extrahiert zuverlässig Text, Bilder und Metadaten aus PDF-Dokumenten. TET stellt den Text eines PDF-Dokuments als Unicode-Strings zur Verfügung und liefert detaillierte Informationen zu Farbe, Glyphen und Fonts sowie die Position auf der Seite. Rasterbilder werden in gebräuchliche Bildformate extrahiert. Optional kann TET die PDF-Dokumente in ein XML-basiertes Format namens TETML konvertieren, das Text und Metadaten sowie Ressource-Informationen enthält. TET verfügt über einen ausgefeilten Algorithmus zur Inhaltsanalyse und kann damit Wortgrenzen erkennen, Text zu Spalten zusammenfassen und redundanten Text entfernen. Mit der pCOS-Schnittstelle können Sie zudem beliebige Objekte aus einem PDF-Dokument abfragen, zum Beispiel Metadaten oder interaktive Elemente. Mit PDFlib TET können Sie:

eine Suchmaschine für PDF-Dokumente implementieren
Texte und Bilder aus PDFs wieder verwerten
Inhalte von PDFs in andere Formate konvertieren
PDFs abhängig von ihren Inhalten verarbeiten, z.B. anhand von Überschriften aufteilen (erfordert zusätzlich PDFlib+PDI)
Prüfen, ob eine bestimmte Stelle auf der Seite leer ist oder Text, Bilder oder Vektorgrafik enthält

TET-Produktfamilie

Die TET-Produktfamilie besteht aus folgenden Produkten: Text and Image Extraction Toolkit (TET), das Kernprodukt zur Extraktion von Text, Bildern, Metadaten und anderen Elementen aus PDF. TET PDF IFilter extrahiert Text und Metadaten aus PDF-Dokumenten, um sie Retrieval-Produkten unter Windows zugänglich zu machen. Es ist als separates Produkt verfügbar und eignet sich zur Anwendung mit Microsofts Retrieval-Produkten, wie Windows Search, Sharepoint- und SQL Server. TET Plugin, ein kostenloses Plugin für Adobe Acrobat, um Text und Bilder aus PDF-Dokumenten zu extrahieren. Damit können Sie die hervorragende Text- und Bildextraktion von TET interaktiv testen.

PDFlib TET

Produced by PDFlib GmbH

PDFlib TET (Text and Image Extraction Toolkit) reliably extracts text, images and metadata from PDF documents. TET makes available the text contents of a PDF as Unicode strings, plus detailed colour, glyph and font information as well as the position on the page. Raster images are extracted in common image formats. TET optionally converts PDF documents to an XML-based format called TETML which contains text and metadata as well as resource information.

TET contains advanced content analysis algorithms for determining word boundaries, grouping text into columns and removing redundant text. Using the integrated pCOS interface you can retrieve arbitrary objects from PDF, such as metadata, interactive elements, etc.

With PDFlib TET you can:

Implement the PDF indexer for a search engine
Repurpose text and images in PDFs
Convert the contents of PDFs to other formats
Process PDFs based on their contents, e.g. splitting based on headings (requires PDFlib+PDI in addition to TET)
Check wether an area on the page is empty or contains any text, images, or vector graphics

TET Product Family

The TET family comprises the following products:

Text and Image Extraction Toolkit (TET), the core product for extracting text, images, metadata and other elements from PDF.

TET PDF IFilter extracts text and metadata from PDF documents and makes it available to search and retrieval software on Windows. It is available as a separate product and is suitable for use with Microsoft search products, e.g. Windows Search, SharePoint and SQL Server.

TET Plugin for Adobe Acrobat, a free utility for extracting text and images from PDF. It can be used to evaluate TET interactively.