用Poppler(C ++)从PDF中提取文本
-
02-10-2019 - |
题
我正在努力通过流行音乐及其(缺乏)文档。
我想做的是一个非常简单的事情:打开一个PDF文件并阅读其中的文本。然后我要处理文本,但这并不重要。
所以...我看到了 poppler_page_get_text
功能和它的作品,但是我必须指定一个选择矩形,这不是很方便。难道不是只有一个非常简单的函数,它会按顺序输出PDF文本(也许是行?)。
解决方案
您应该能够将选择矩形设置为 pageSize/MediaBox
页面并获取所有文本。
我说应该是因为在您开始想知道为什么您会对输出感到惊讶 poppler_page_get_text
, ,您应该知道如何在页面上布置文本。所有图形均在页面上使用以固定后表示法表示。要渲染页面,该程序在空白页面上执行。
该程序中的操作可以包括,更改颜色,位置,当前转换矩阵,图形线,Bezier曲线等。文本由一系列文本运算符编写,这些文本运算符始终由BT(开始文本)和ET(END TEXT)包围。将文本放在页面上的方式或位置是由生成PDF的软件自行决定的。例如,对于打印驱动程序,代码响应GDI的电话 DrawString
并将其转换为文本绘图操作。
如果幸运的话,页面上的文本以理智的字体使用以理智的顺序布置,但是许多生成PDF的程序并不那么友善。 Psroff
, ,例如,喜欢首先放置所有纯文本,然后是斜文本,然后是大胆文本。单词可能会按阅读顺序放置也可能不会。字体可能会重新编码,以便 'a'
地图 '{'
管他呢。然后,您可能会有连接性,其中多个字符被单一字形代替 - 最常见的是 ae
, oe
, fi
, fl
, , 和 ffl
.
有了所有这些,提取文本的过程绝对是非平凡的,因此,如果您看到文本提取的质量差,请不要感到惊讶。
我曾经在Acrobat 1.0和2.0中处理文本提取工具 - 正确的挑战是一个真正的挑战。
其他提示
只是为了记录,我正在使用 流行音乐 现在有了这个小程序
#include <iostream>
#include "poppler-document.h"
#include "poppler-page.h"
using namespace std;
int main()
{
poppler::document *doc = poppler::document::load_from_file("./CMI2APIDocV1.4.pdf");
const int pagesNbr = doc->pages();
cout << "page count: " << pagesNbr << endl;
for (int i = 0; i < pagesNbr; ++i)
cout << doc->create_page(i)->text().to_latin1().c_str() << endl;
}
// g++ -I/usr/include/poppler/cpp/ -c poppler.cpp
// g++ -I/usr/include/poppler/cpp poppler.o /usr/lib/x86_64-linux-gnu/libpoppler-cpp.a /usr/lib/x86_64-linux-gnu/libpoppler.a /usr/lib/x86_64-linux-gnu/liblcms2.so /usr/lib/x86_64-linux-gnu/libfontconfig.a /usr/lib/x86_64-linux-gnu/libjpeg.a /usr/lib/x86_64-linux-gnu/libfreetype.a /usr/lib/x86_64-linux-gnu/libexpat.a /usr/lib/x86_64-linux-gnu/libz.a
到目前为止,我对结果感到非常满意,除了纯文本中的数组和“电子表格”恢复原状,有时单个单元可能会跨越多行。 (如果有人知道如何避免这种情况?)