问题标签 [pdf-parsing]

PDF我有一个要从中检索图像的现有对象

笔记：

在文档中，这是RESULT变量

我不明白为什么需要这张图片？我只想从我的PDF文件中提取图片

所以现在当我使用 MyImageRenderListener listener = new MyImageRenderListener(RESULT);

我收到错误消息：

results\part4\chapter15\Img16.jpg（系统找不到指定的路径）

这是我拥有的代码。

PDF 内容以多种方式保存，“(abc) Tj”、“(<0035><0035>) Tj”或“\u065”。

我想知道是否有办法将 PDF 代码转换为一种类型，无论是直接文本“(abc) Tj”，还是十六进制“(<0035><0035>) Tj”，或者八进制“\u065”。

我认为如果将 PDF 转换并编码为一种类型，将更容易分析内容。

是否可以使用 Ghostscript 或其他东西来做到这一点？谢谢

我正在使用以下功能

当我在 Photoshop 中检查图像尺寸时，我完美地得到了以像素为单位的高度和宽度，但没有正确地得到以英寸为单位的宽度和高度。

我需要它来计算图像的 DPI。

例如：

图片原始值： 宽度 - 450 像素和高度 - 362 像素

宽度 - 6.25 英寸和高度 - 5.028 英寸（值来自 Photoshop）

我从 itext 收到的信息：

宽度 - 450 像素和高度 - 362 像素（这是完美的）

宽度 -3.60 英寸和高度 - 2.90 英寸（这是问题所在）

我正在为 pdf 设置边距并检查页面内容是否超出边距。

如果页面的内容只是文本，我很容易做到这一点。

这就是我正在做的事情：

我正在使用TextMarginFinder. 我将根据书本大小设置pdf的left margin值。并检查finder.getLlx();sincefinder.getLlx();将使我获得该页面中文本的最左侧位置。

但是，如果页面包含图像，这将不起作用。尽管图像超出了边距，但我没有收到上述代码的错误，因为该finder.getLlx();函数似乎仅适用于文本。

两个问题：

1）在循环浏览pdf中的页面时，如果该页面中有图像，我如何检查该特定页面是否包含图像？

2）如果它包含一个图像，我怎样才能获得它的极端位置？

mkl建议后更新

我正在维护一个使用 Delphi 5 构建的旧应用程序。我需要确定给定 pdf 文件中的总页数。

我想我也可以为纯 C 翻译任何解决方案。

我目前的解决方案是分叉一个 pdftk 进程，并解析它的输出。但这很慢，所以我想知道是否可以为delphi（5 ...）找到一个好的开源pdf解析器库......而且它似乎不存在。

所以我尝试实现诸如查看文件的原始内容以查找“/Type /Page”或“/Count”或“Linearized ... /N”的出现。但是这些方法——也不是它们的组合——在每种情况下都不起作用。

所以我想知道是否可以从 Delphi 5 中找到可以使用的开源 DLL。但我也找不到。我偶然发现了 iTextSharp，但它适用于 .NET，我不明白如何在普通的 delphi5 程序中使用它......

所以我最后的想法是：有什么改变我可以找到-say-pdftk的源代码并将其编译为DLL吗？谁能指出我正确的方向？

我有什么解决方案吗？

我提前感谢您的帮助！

我想解析一些包含文本并且可能包含也可能不包含图像的 pdf 文件。我想将文本部分提取为字符串以进行进一步处理，并将图像保存为 jpeg/png 或任何其他图像格式。最好的模块应该是什么？

我想为包含二进制和明文数据的文本解析pdf 。当我尝试使用 PdfReaderContentParser 执行此操作时，GetResultantText 方法为二进制内容返回正确的文本，但为明文内容返回空格。这是我使用的代码：

知道如何获取所有内容吗？

我正在使用这个PDFParser来解析 PDF 文件。突然，其中一个文件被解析为单词中的空格，例如应该有

周一

, 但它被解析为

周一

或者

鸡

作为

鸡

当我从 pdf 阅读器中选择文本并复制到其他地方时，没有这些奇怪的空格。库中是否存在错误或 pdf 中有一些隐藏字符。如何修复？

编辑：有一个每周菜单的链接。这个 PDF 文件是捷克语，所以有例如 word

庞德利

应该是：

蓬杰利

或者

库日埃西

应该：

库热奇

我可以看到所有这些空格都在带有重音符号的字符周围，但并非总是如此。

我警告你，它可能会在本周之后发生变化，新菜单可能没有这些空格。

我想从 PHP 解析 PDF 文件。为此，我构建了此代码（我使用了 PDF Parser 库）。

代码：

使用此代码，我可以从 PDF 文件中读取文本，但无法解析信息，因为例如，如果在文件中我有这一行：

个人信息 Marco Mengoni

意大利

德拉吉斯蒂齐亚大街

当我调用我的页面时 echo $text; 在页面上打印：

个人信息 Marco Mengoni Italia Via Della Giustizia。

现在有解析单行的模式吗？？？？

在使用 pypdf2 解析 pdf 文件时，它会在换行符中读取诸如 mm-dd-yy 之类的 hifenated 单词：

毫米

-

dd

-

年年

这是我的代码：

我怎样才能克服这个问题并将它们打印在同一行？