Ghostscript转换PDF并输出文本文件

Question

1.我需要将PDF文件转换为txt.file.我的命令似乎工作,因为我在屏幕上获得转换后的文本,但不知何故,我无法将输出定向到文本文件.

public static string[] GetArgs(string inputPath, string outputPath)
{ 
    return new[] {
                "-q", "-dNODISPLAY", "-dSAFER",
                "-dDELAYBIND", "-dWRITESYSTEMDICT", "-dSIMPLE",
                "-c", "save", "-f",
                "ps2ascii.ps", inputPath, "-sDEVICE=txtwrite",
                String.Format("-sOutputFile={0}", outputPath),
                "-c", "quit"
    }; 
}

2.有一个unicode speficic .ps吗？

更新: 发布我的完整代码,可能错误在其他地方.

public static string[] GetArgs(string inputPath, string outputPath)
{
    return new[]    
    {   "-o c:/test.txt",    
        "-dSIMPLE",
        "-sFONTPATH=c:/windows/fonts",
        "-dNODISPLAY",
        "-dDELAYBIND",
        "-dWRITESYSTEMDICT",
        "-f",
        "C:/Program Files/gs/gs9.05/lib/ps2ascii.ps",               
        inputPath,
    };
}

[DllImport("gsdll64.dll", EntryPoint = "gsapi_new_instance")]
private static extern int CreateAPIInstance(out IntPtr pinstance, IntPtr caller_handle);

[DllImport("gsdll64.dll", EntryPoint = "gsapi_init_with_args")]
private static extern int InitAPI(IntPtr instance, int argc, string[] argv);

[DllImport("gsdll64.dll", EntryPoint = "gsapi_exit")]
private static extern int ExitAPI(IntPtr instance);

[DllImport("gsdll64.dll", EntryPoint = "gsapi_delete_instance")]
private static extern void DeleteAPIInstance(IntPtr instance);`

private static object resourceLock = new object();

private static void Cleanup(IntPtr gsInstancePtr)
{
    ExitAPI(gsInstancePtr);
    DeleteAPIInstance(gsInstancePtr);
}

private static object resourceLock = new object();

public static void ConvertPdfToText(string inputPath, string outputPath) 
{ 
    CallAPI(GetArgs(inputPath, outputPath));
}

public static void ConvertPdfToText(string inputPath, string outputPath) 
{ 
    CallAPI(GetArgs(inputPath, outputPath));
}

private static void CallAPI(string[] args)      
{       
    // Get a pointer to an instance of the Ghostscript API and run the API with the current arguments       
    IntPtr gsInstancePtr;   
    lock (resourceLock)     
    {           
        CreateAPIInstance(out gsInstancePtr, IntPtr.Zero);      
        try
        {
            int result = InitAPI(gsInstancePtr, args.Length, args);                    
            if (result < 0)     
            {
                throw new ExternalException("Ghostscript conversion error", result);        
            }       
        }           
        finally     
        {               
            Cleanup(gsInstancePtr);     
        }       
    }   
}

Answer 1

2个问题,2个答案:

1. 要获得输出到文件,请-sOutputFile=/path/to/file在命令行上使用,或添加行

   "-sOutputFile=/where/it/should/go",
   

   你的c#代码(可能是第一个参数,但应该在你的第一个参数之前"-c".但首先要摆脱-sOutputFile你已经在那里的其他东西...... :-)

2. 不,PostScript不了解Unicode.

更新

(备注:可靠地从PDF中提取文本(出于各种技术原因)非常困难.它可能根本不起作用,无论你尝试哪种工具......)

在命令行上,以下两个应该适用于最近发布的Ghostscript(当前版本是v9.05).这将是你自己的工作......

• ...测试哪个命令更适合您的用例,以及
• ...将这些转换为c#代码.

1. txtwrite设备:

gswin32c.exe ^
   -o c:/path/to/output.txt ^
   -dTextFormat=3 ^
   -sDEVICE=txtwrite ^
    input.pdf

笔记:

1. gswin64c.exe如果系统是64位,您可能希望在系统上使用(如果可用).
2. -o输出的语法仅适用于最新版本的Ghostscript.
3. 该-o语法不也隐含设置-dBATCH和-dNOPAUSE参数.
4. 如果您的Ghostscript太旧并且-o速记不起作用,请将其替换为-dBATCH -dNOPAUSE -sOutputFile=....
5. 即使在Windows上,Ghostscript也可以在路径参数内处理正斜杠.
6. 在-dTextFormat默认情况下设置为3,无论如何,所以它在这里不需要.'合法'的价值观是:
   • 0:这将输出XML转义的Unicode以及与文本格式相关的信息(位置,字体名称,磅值等).仅供开发人员使用.
   • 1:相同0,但会输出文本块.
   • 2:这将输出带有BMO(字节顺序标记)的Unicode(UCS2)文本; 尝试近似原始文档中的文本布局.
   • 3:( 默认)相同2,但文本以UTF-8编码.
7. txtwrite具有此-dTextFormat修饰符的设备是Ghostscript的一项新资产,因此如果找到错误,请报告错误.

2.使用 ps2ascii.ps

gswin32c.exe ^
   -sstdout=c:/path/to/output.txt ^
   -dSIMPLE ^
   -sFONTPATH=c:/windows/fonts ^
   -dNODISPLAY 
   -dDELAYBIND ^
   -dWRITESYSTEMDICT ^
   -f /path/to/ps2ascii.ps ^
    input.pdf

笔记:

1. 这是一种与txtwrite设备完全不同的方法,不能与它混合使用!
2. ps2ascii.ps是一个文件,Ghostscript调用以提取文本的PostScript程序.它通常位于Ghostscript installdir的/lib子目录中.去看看它是否真的存在.
3. -dSIMPLE可以替换dCOMPLEX为打印出额外的信息行(当前颜色,图像的存在,矩形填充).
4. -sstdout=...是必需的,因为ps2ascii.psPostScript程序只打印到stdout,不能告诉写入文件.因此-sstdout=...告诉Ghostscript将其stdout重定向到一个文件.

3.非Ghostscript方法

不要忽略可能更容易使用的其他非Ghostscript方法.以下所有内容都是跨平台的,也应该在Windows上可用:

• mudraw -t
  GPL许可(或商业,如果您需要).MuPDF的命令行实用程序从PDF中提取文本(由开发Ghostscript的同一组开发人员开发).
• pdftotext
  GPL许可.Poppler的命令行实用程序(它是XPDF的一个分支,也提供了一个pdftotext).
• podofotxtextract
  GPL许可.Commandline实用程序基于PoDoFo PDF处理库.
• TET来自PDFlib.com
  的文本提取工具包(商业,但可能是免费供个人使用 - 我没有查看最近的新闻).可能是它们中最强大的文本提取工具......