Question

嗨，所以我试图解析一些pdf中的一些文本，我想使用PoDoFo，现在我已经尝试过搜索如何使用PoDoFo解析pdf的例子，但我能想到的只是示例如何创建和编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");

遍历每一页：

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;
        }
    }
}

“过程令牌”＆amp; “process var”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

BT和ET命令标记文本流的开头和结尾，因此您要忽略不在BT / ET对之间的任何内容。< / p>

PDF语言基于RPN。命令流由被压入堆栈的值和命令组成，这些命令从堆栈中弹出值并处理它们。

"，'，Tj和TJ命令是唯一实际生成文本的命令。 "，'和Tj返回单个字符串。使用var.IsString()和var.GetString()来处理它。

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。 "和'也会引入换行符。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帮助，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，你实际上不需要保持一堆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var中的最后一个值包含当前命令的参数。

Answer 2

我没有使用PoDoFo，但在API网页上快速浏览类层次结构显示：

void PoDoFo::PdfMemDocument::Load( const char * pszFilename )

（API doc link）

所以我想在这里做一个猜测，你这样做：

PoDoFo::PdfMemDocument doc;
doc.Load( "somefile.pdf" );

然后我想你通过调用doc.GetObjects()并遍历该数组（see PdfDocument class）来浏览文档树

用C ++解析PDF（PoDoFo）

2 个答案: