Perl PDF Line by Line Parser؟

Question

لدي PDF، يتكون فقط من النص، مع عدم وجود أحرف خاصة ولا صور إلخ. هل هناك أي وحدة في بيرل هناك (تبحث في CPAN دون جدوى) لمساعدتي على تحليل كل خط صفحات حسب الخط؟ (تحويل قوات الدفاع الشعبي إلى النص يسبب نتائج سيئة وبيانات غير صحيحة)

شكرا،

Answer 1

When I want to extract text from a PDF, I feed it to pdftohtml (part of Poppler) using the -xml output option. This produces an XML file which I parse using XML::Twig (or any other XML parser you like except XML::Simple).

The XML format is fairly simple. You get a <page> element for each page in the PDF, which contains <fontspec> elements describing the fonts used and a <text> element for each line of text. The <text> elements may contain <b> and <i> tags for bold and italic text (which is why XML::Simple can't parse it properly).

You do need to use the top and left attributes of the <text> tags to get them in the right order, because they aren't necessarily emitted in top-to-bottom order. The coordinate system has 0,0 in the upper left corner of the page with down and right being positive. Dimensions are in PostScript points (72 points per inch).