用ruby解析PDF文档

Question

我在一个具有特定结构的文件夹中有多个PDF文档：

现在我希望能够解析PDF中的信息。请注意，这些段落的长度各不相同。

显然我并没有要求你为我解决问题，但我确实需要一些关于如何实现这一目标的指示。

我之前使用过nokogiri，从技术上讲，我需要类似的东西，但是对于PDF来说。

所以我的例子的伪结果看起来像这样：

- ItemA
  - Title: ItemA
  - File: 123456789.pdf
  - Image: ImageA.png (the image was stored on disk)
  - Subtitle1: Content for subtitle 1
  - Subtitle2: Content for subtitle 2
  - Subtitle3: Content for subtitle 3
- TitleB
  - [...]

Answer 1

pdf-reader是解决方案之一。但它有问题，有时它不能以适当的格式提供文本。我用过它。

我建议使用 docsplit 。您将找到有关＆＃39; pdf-reader＆＃39;的更多信息。和＆＃39; docsplit＆＃39;在 this blog post 。

希望这会有所帮助。如果需要澄清，请随时发表评论。

Answer 2

获取文本

可以轻松解析文本：

# gem install pdf-reader
require 'pdf-reader'

reader = PDF::Reader.new('my.pdf')

reader.pages.each do |page|
  puts page.text
end

保存图像

这可以使用相同的库完成。请参阅示例脚本examples/extract_images.rb。

然而

这是（尚未）一个完整的答案。 接下来的步骤将是：

1. 解析文本并查找标题
2. 裁剪图像，可以使用像RMagick或Mini Magick这样的库来实现。