0

我需要从 pdf 流中提取一些信息。
提取相关文本非常简单，因为它类似于：

BT /Fo0 7.20 Tf 67.81 569.38 Td 0.000 Tc (TOTAL AMOUNT) Tj ET

我可以考虑固定 y 位置，而 x 位置由于 giustification 是可变的。但我的问题是识别页面的开头和结尾。

4

1 回答 1

2

您不应该确定您使用“信息提取器”遇到的所有 PDF 都表现得很好。或者你可以，因为你知道他们是？

否则，很可能您遇到的 PDF 代码如下所示：

BT 
  /Fo0 7.20 Tf 
  67.81 569.38 Td 
  0.000 Tc 
  (TO)12(T)13(AL A)11(M)14(OUNT) TJ 
ET

那是， ...

  • ...使用TJ而不是Tj, 以允许单独的字形定位，
  • ...有更多的换行符，
  • ...也许还有更多的修改。

为了可靠地获取页面的文本内容，您必须解析 PDF 的结构，简而言之：

  1. 找到/Type /Page;的所有对象
  2. 转到这些页面对象中的每一个并检索其各自的信息/Contents；
    • 可能指向/Contents单个流，或
    • /Contents可能指向一个流数组；
  3. 转到此内容对象并提取其流。

实际上，上述步骤中的第一步可能会变得更复杂一些：

  • 找到并转到该trailer <<...>>部分
  • 在预告片中找到有关文档/Root对象的信息
  • 转到根对象
  • /Pages从/Root对象中提取有关 的信息
  • 转到对象（这是一个带有孩子和父母/Pages的中间页面树节点；
  • /Kids通过检查对象找到此页面树节点的所有后代
  • 转到列出的每个相应对象/Kids；
    • 它可能是/Type /Pages（在这种情况下，它是另一个页面树节点，而不是树叶，您必须进一步沿着树向下）；
    • 它可能是/Type Page（在这种情况下，你到达了一个页面树叶，这意味着你真的到达了一个页面）。

在这一点上，我应该注意，您在此旅程之后找到的第一页是第 1 页。接下来是第 2 页，依此类推。请注意，没有任何页面有任何元数据说“我是第 N 页”——这完全取决于按照您解析从根对象开始的页面树的顺序。

现在您确实找到了内容流，您还面临两个问题：

  1. 您正在查找的内容流可能根本不是明文（如您的代码所示）。内容流经常被一种允许的压缩方案压缩，您必须先扩展它们，然后才能解析文本内容。

    要查看流是否被压缩，请注意相应的*Decode关键字（经常显示为 /Filter /FlateDecode）。

  2. 成功解压缩页面的内容流后，您可能会遇到描述文本的完全不直观的字符代码。它可能与您想象的和示例代码中显示的行为良好的 ASCII 类型完全不同。

    您必须查找字体（甚至像 CID 这样的多字节字体）、它们的编码、CMap 等等。

    除非，正如我在第一句话中所质疑的那样，您知道在您的特定用例中不会发生这种情况......

于 2012-10-02T09:50:29.730 回答