3

我试图通过 Poppler 及其（缺乏）文档来解决问题。

我想做的是一件非常简单的事情：打开一个 PDF 文件并阅读其中的文本。然后我将处理文本，但这并不重要。

所以......我看到了这个poppler_page_get_text函数，它有点工作，但我必须指定一个选择矩形，这不是很方便。不是只有一个非常简单的函数可以按顺序输出 PDF 文本（可能是逐行输出？）。

4

2 回答 2

9

您应该能够将选择矩形设置为pageSize/MediaBox页面并获取所有文本。

我说应该是因为在你开始想知道为什么你对 的输出感到惊讶之前poppler_page_get_text，你应该知道文本是如何在页面上布局的。所有图形都使用以后缀表示法表示的程序布置在页面上。为了呈现页面，该程序在空白页面上执行。

程序中的操作可以包括，改变颜色、位置、当前变换矩阵、绘制线条、贝塞尔曲线等。文本由一系列文本运算符布局，这些运算符始终由 BT（开始文本）和 ET（结束文本）括起来。文本在页面上的放置方式或位置由生成 PDF 的软件自行决定。例如，对于打印驱动程序，代码响应 GDI 调用DrawString并将其转换为文本绘制操作。

如果幸运的话，页面上的文本布局合理，字体使用合理，但许多生成 PDF 的程序并不那么好。 Psroff，例如喜欢先放置所有纯文本，然后是斜体文本，然后是粗体文本。单词可能会或可能不会按阅读顺序排列。字体可以重新编码，以便'a'映射到'{'或其他。然后你可能有多个字符被单个字形替换的连字 - 最常见的是ae, oe, fi,fl和ffl。

有了所有这些，提取文本的过程绝对不是微不足道的，所以如果您看到文本提取的质量较差，请不要感到惊讶。

我曾经在 Acrobat 1.0 和 2.0 中使用文本提取工具 - 正确处理是一个真正的挑战。

于 2010-04-29T19:13:09.307 回答
5

只是为了记录，我现在正在用这个小程序使用poppler

#include <iostream>

#include "poppler-document.h"
#include "poppler-page.h"
using namespace std;

int main()
{
    poppler::document *doc = poppler::document::load_from_file("./CMI2APIDocV1.4.pdf");
    const int pagesNbr = doc->pages();
    cout << "page count: " << pagesNbr << endl;

    for (int i = 0; i < pagesNbr; ++i)
        cout << doc->create_page(i)->text().to_latin1().c_str() << endl;
}

// g++ -I/usr/include/poppler/cpp/ -c poppler.cpp
// g++ -I/usr/include/poppler/cpp poppler.o  /usr/lib/x86_64-linux-gnu/libpoppler-cpp.a /usr/lib/x86_64-linux-gnu/libpoppler.a /usr/lib/x86_64-linux-gnu/liblcms2.so     /usr/lib/x86_64-linux-gnu/libfontconfig.a /usr/lib/x86_64-linux-gnu/libjpeg.a /usr/lib/x86_64-linux-gnu/libfreetype.a     /usr/lib/x86_64-linux-gnu/libexpat.a /usr/lib/x86_64-linux-gnu/libz.a

到目前为止，我对结果非常满意，除了纯文本中的数组和“电子表格”恢复，有时单个单元格可能跨越多行。（如果有人知道如何避免这种情况？）

于 2013-11-04T09:36:12.490 回答