我有一个 pdf，仅包含文本，没有特殊字符或图像等。是否有任何 Perl 模块（一直在查看 cpan 无济于事）来帮助我逐行解析每一页？（将 PDF 转换为文本会产生不良结果和无法解析的数据）
谢谢，
问问题
986 次
1 回答
6
当我想从 PDF 中提取文本时，我使用output 选项将其提供给pdftohtml（Poppler的一部分）。-xml这会生成一个 XML 文件，我使用XML::Twig（或您喜欢的任何其他 XML 解析器，除了 XML::Simple）来解析它。
XML 格式相当简单。您会<page>为 PDF 中的每一页获得一个元素，其中包含<fontspec>描述所用字体的<text>元素和每行文本的元素。<text>元素可能包含粗体<b>和斜体文本的<i>标记（这就是 XML::Simple 无法正确解析它的原因）。
您确实需要使用标签的top和left属性<text>以正确的顺序获取它们，因为它们不一定按从上到下的顺序发出。坐标系在页面的左上角有 0,0，向下和向右是正数。尺寸以 PostScript 点为单位（每英寸 72 点）。
于 2011-02-16T22:39:40.617 回答