我有一个pdf，只包含文字，没有特殊字符或图像等。 是否有任何Perl模块（看着cpan无济于事）帮我逐行解析每个页面？ （将PDF转换为文本会产生错误结果和不可解决的数据）
谢谢，
答案 0 :(得分：6)
当我想从PDF中提取文字时，我会使用pdftohtml输出选项将其提供给-xml（Poppler的一部分）。这将生成一个XML文件，我使用XML::Twig（或您喜欢的任何其他XML解析器除XML :: Simple）进行解析。
The XML format相当简单。您将获得PDF中每个页面的<page>元素，其中包含描述所用字体的<fontspec>元素以及每行文本的<text>元素。 <text>元素可能包含用于粗体和斜体文本的<b>和<i>标记（这就是为什么XML :: Simple无法正确解析它）。
您需要使用top标记的left和<text>属性才能按正确顺序排列，因为它们不一定是从上到下排放的订购。坐标系在页面的左上角有0,0，向下和向右为正。尺寸采用PostScript点（每英寸72点）。