使用Poppler(C ++)从PDF中提取文本

时间:2010-04-28 18:31:41

标签: c++ pdf text-extraction poppler

我正试图通过Poppler及其(缺乏)文档。

我想要做的是一件非常简单的事情:打开PDF文件并阅读其中的文字。我接下来要处理文本,但这并不重要。

所以...我看到poppler_page_get_text函数,它有点工作,但我必须指定一个选择矩形,这不是很方便。是不是只有一个非常简单的函数可以按顺序输出PDF文本(可能是逐行?)。

2 个答案:

答案 0 :(得分:8)

您应该可以将选择矩形设置为页面的pageSize/MediaBox并获取所有文本。

我说应该因为在你开始想知道为什么你对poppler_page_get_text的输出感到惊讶之前,你应该知道文本如何在页面上布局。所有图形都使用以修复后符号表示的程序在页面上排列。要呈现页面,该程序在空白页面上执行。

程序中的操作可以包括,改变颜色,位置,当前变换矩阵,绘制线,贝塞尔曲线等。文本由一系列文本运算符布局,这些运算符总是被BT(开始文本)和ET(结束文本)括起来。文本放置在页面上的方式和位置由生成PDF的软件自行决定。例如,对于打印驱动程序,代码响应DrawString的GDI调用,并将其转换为文本绘制操作。

如果运气好的话,页面上的文字将按照合理的字体用法排列,但许多生成PDF的程序并不那么友好。例如,Psroff喜欢先放置所有纯文本,然后是斜体文本,然后是粗体文本。单词可能会也可能不会按阅读顺序排列。可以重新编码字体,以便'a'映射到'{'或其他任何内容。然后,您可能会有多个字符被单个字形替换的连字 - 最常见的字符是aeoefiflffl

有了所有这些,提取文本的过程显然是非平凡的,所以如果你看到文本提取效果不佳,不要感到惊讶。

我曾经在Acrobat 1.0和2.0中使用文本提取工具 - 这是一个真正的挑战。

答案 1 :(得分:4)

仅仅是为了记录,我现在正在使用 poppler 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,我对这个结果非常满意,除了纯文本中的数组和“电子表格”恢复,有时单个单元格可能跨越多行。 (如果有人知道如何避免这种情况?)