如何在Perl中解析.pdf文件？ perl是更有效还是我应该使用任何其他语言？
答案 0 :(得分：9)
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）。
答案 1 :(得分：6)
我个人使用CAM :: PDF。
my $doc=CAM::PDF->new($fileName) || die "$CAM::PDF::errStr\n"; CAM::PDF>asciify(/$pdfString);`
Pdfs并非设计用于解析，而是用于显示/打印 - 因此任何事情都是尝试和错误的，如果一切都是图形，很可能无法解析。
一个很好的指标是你能否将pdf中的内容复制并粘贴到编辑器中。如果这样有效，那么你就是在做生意。
答案 2 :(得分：5)
答案 3 :(得分：4)
我不知道任何解析的模块，也就是说，如果要从中提取文本。有许多模块可以让你操作它们。试试PDF::API2。