我是C ++的新手，但不熟悉编程。我试图找到一个库，使我可以从PDF中提取文本，最好是从PDF的第一行中提取文本。库的代码示例将不胜感激。
我要这样做的原因是要根据PDF的第一行重命名几百个文件（恰好是每个文件的标题）。
答案 0 :(得分：1)
这里的挑战是PDF非常类似于SVG或PostScript。放置和显示事物的顺序与其逻辑/阅读顺序没有任何关系。
作为一个非常棘手的示例，可以在页面上绘制所有“ a”，然后绘制所有“ b”，依此类推。
一个不那么严格的示例（我在实际的PDF中已经看到过）是一次绘制所有文本为给定字体，然后绘制下一个字体，依此类推。这比您想象的更具挑战性，因为斜体文本通常是不同的字体，粗体和 粗斜体 < / strong>。如果要按哈希表或字母顺序遍历字体，则可以合理预期标题不是页面内容要绘制的第一个文本。
说了这么多，这已经解决了好几次了。
坏消息：这些解决方案都没有出现在第一个注释中链接的开放源代码库中……'也许是MuPDF，但是从他们的在线文档中看不出它们可以做到。
好消息：有几个命令行驱动的应用程序，非常有能力从PDF提取文本，所有这些都在SO PDF Text Extraction with Coordinates
的出色答案中进行了描述。MuPDF的mutool被列为选项之一，因此使用MuPDF（由与GhostScript相同的公司制造）显然可以实现。
答案 1 :(得分：0)
您无需使用C ++即可实现； MuPDF随附的“ mutool”命令可以打印页面的文本内容。以下命令行会将PDF的第一页转换为纯文本。该转换会带来很多警告，但是对于大多数格式正确的PDF文件，此步骤应该可以正常工作。然后，将mutool的输出通过sed传递给管道，以仅打印第一行。
bin/magento setup:install --db-host=localhost --db-name=magento --db-user=magento --db-password=magento
当然，您也可以使用MuPDF C库执行此操作，但是为什么要浪费时间在简单的shell脚本可以完成工作的时候进行编码？
现在，您可以将其包装在脚本中以重命名文件。例如：
mutool draw -F text -o - input.pdf 1 | sed 1q