3

我一直在尝试一个简单的 Ruby 程序来解析一个简单的 pdf 文件并提取我感兴趣的文本。我发现pdf-reader是一个非常好的 pdf 文件解析 gem。我已经阅读了该 gem 中给出的示例以及一些相关的教程。

我已经尝试了回调方法，并且能够从我的 pdf 文件中获取所有文本。但我不明白某些回调参数背后的概念。

例如，如果我的 pdf 有一个包含 3 列和 2 行的简单表格。（标题行值为姓名、地址、年龄），第一行值为（Arun，Hoskote，22），当你运行 ruby​​ 后的 ruby​​ 脚本时

receiver = PDF::Reader::RegisterReceiver.new
reader = PDF::Reader.new("Arun.pdf")
reader.pages.each do |page|
    page.walk(receiver)
    receiver.callbacks.each do |cb|
      puts cb.inspect
    end
end

它打印一系列回调，其中一些有趣的回调show_text_with_positioning如下所示

{:name=>:show_text_with_positioning, :args=>[["N", 5, "am", -4, "e"]]}
{:name=>:show_text_with_positioning, :args=>[[" "]]}
{:name=>:show_text_with_positioning, :args=>[["Ad", 6, "d", 3, "ress"]]}
{:name=>:show_text_with_positioning, :args=>[[" "]]}
{:name=>:show_text_with_positioning, :args=>[["Age"]]}
{:name=>:show_text_with_positioning, :args=>[[" "]]}
{:name=>:show_text_with_positioning, :args=>[["Ar", 4, "u", 3, "n"]]}
{:name=>:show_text_with_positioning, :args=>[[" "]]}
{:name=>:show_text_with_positioning, :args=>[["H", 3, "o", -5, "sk", 9, "o", -5,     "te"]]}
{:name=>:show_text_with_positioning, :args=>[[" "]]}
{:name=>:show_text_with_positioning, :args=>[["22"]]}
{:name=>:show_text_with_positioning, :args=>[[" "]]}

从上面的回调中，args 相对于 pdf 文件代表什么？如果我只想在此示例中提取名称值“Arun”（任何东西都可以来这里）或年龄值 i，即“25”（任何值都可以来这里），我该如何在 ruby​​ 程序中做到这一点？是否有任何 pdf-parser API 或 Ruby API 仅从 pdf 文件中获取单个“感兴趣”值？

如何编写一个 Ruby 程序来访问我感兴趣的特定回调，它给了我想要的文本？

4

1 回答 1

0

如果您特别只想要文本，则可以执行以下操作（但可能使用不同的流作为文本的目标）：

receiver = PDF::Reader::TextReceiver.new($stdout)
PDF::Reader.file("Arun.pdf", receiver)

获得文本后，您可以使用正则表达式或其他任何方法来获取您想要的特定值。

于 2015-04-20T04:32:48.610 回答