用C++解析PDF(PoDoFo)

Question

嗨,所以我试图解析一些pdf中的一些文本,我想使用PoDoFo,现在我已经尝试搜索如何使用PoDoFo解析pdf的例子,但我能想到的只是如何创建的示例并写一个不是我真正需要的pdf文件.

如果有人有任何使用PoDoFo解析PDF文件的教程或示例,或者有我可以使用的其他库的建议,请告诉我.另外我知道linux上有pdftotext,但是,我不仅可以不使用它,而且我更愿意在内部完成所需的一切,而不是依赖于正在安装的外部程序.

Answer 1

PoDoFo不提供从文档中轻松提取文本的方法,但这并不难.

将文档加载到PdfMemDocument:

PoDoFo::PdfMemDocument pdf("mydoc.pdf");

遍历每个页面:

for (int pn = 0; pn < pdf.GetPageCount(); ++pn) {
    PoDoFo::PdfPage* page = pdf.GetPage(pn);

迭代该页面上的所有PDF命令:

    PoDoFo::PdfContentsTokenizer tok(page);
    const char* token = nullptr;
    PoDoFo::PdfVariant var;
    PoDoFo::EPdfContentsType type;
    while (tok.ReadNext(type, token, var)) {
        switch (type) {
            case PoDoFo::ePdfContentsType_Keyword:
                // process token: it contains the current command
                //   pop from var stack as necessary
                break;
            case PoDoFo::ePdfContentsType_Variant:
                // process var: push it onto a stack
                break;
            default:
                // should not happen!
                break;
        }
    }
}

"进程令牌"和"进程变量"注释是它变得更复杂的地方.您将获得要处理的原始PDF命令.幸运的是,如果你实际上没有渲染页面而你想要的只是文本,你可以忽略它们中的大部分.您需要处理的命令是:

BT,ET,Td,TD,Ts,T,Tm,Tf,",',Tj和TJ

该BT和ET命令标记文本流的开头和结尾,所以你要忽略任何一间不BT/ ET对.

PDF语言基于RPN.命令流由推入堆栈的值和从堆栈中弹出值并处理它们的命令组成.

的",',Tj和TJ命令是唯一的,实际上产生文本.",'并Tj返回一个字符串.使用var.IsString()和var.GetString()处理它.

TJ返回一个字符串数组.您可以使用以下内容提取每个:

if (var.isArray()) {
    PoDoFo::PdfArray& a = var.GetArray();
    for (size_t i = 0; i < a.GetSize(); ++i)
        if (a[i].IsString())
            // do something with a[i].GetString()

其他命令用于确定何时引入换行符."并'引入换行符.您最好的选择是从Adobe下载PDF规范并查找文本处理部分.它更详细地解释了每个命令的作用.

我发现编写一个小程序非常有用,该程序接收PDF文件并为每个页面转储命令流.

注意:如果你所做的只是提取没有定位信息的原始文本,你实际上并不需要维护一堆var值.所有文本渲染命令最多只有一个参数.您可以简单地假设最后一个值var包含当前命令的参数.