如何将PDF转换为文本以便我可以使用PHP解析该文本？

Question

我的PDF大多只是格式化文本。我想用PHP解析文本。我意识到PDF是二进制的，所以我需要一个实用程序或库来将其转换为文本。

有什么建议吗？

Answer 1

第三方软件可以转储PDF文件的文本内容，例如：

• xdoc2txt（仅限Windows，在WinMerge插件中使用）
• pdftotext，Xpdf的一部分

Answer 2

我最终使用XPDF（包括pdftotext）。这非常有效，我在生产中使用它来从上传到我们服务器的数百万个PDF中提取文本。

以下是Linux CentOS的安装过程：

1. 从此处下载3.03版本：http://foolabs.com/xpdf/download.html
2. tar -zxvf xpdfbin-linux-3.03.tar.gz（extract tar.gz）
3. 创建安装所需的目录（部分或全部可能已经存在）
   • sudo mkdir / usr / local / man /
   • sudo mkdir / usr / local / man / man1 /
   • sudo mkdir / usr / local / man / man5 /
   • sudo mkdir / usr / local / etc / xpdfrc /
4. 从解压缩的文件夹中移动文件（cd进入刚刚解压缩xpdf的文件夹）
   • 将bin64目录中的所有可执行文件（xpdf，pdftotext ...所有文件）移至/ usr / local / bin /
   • 将sample-xpdfrc文件移动到/ usr / local / etc / xpdfrc（这可以按原样使用）
   • 将手册页从doc目录（* .1移至/ usr / local / man / man1 /＆amp; * .5至/ usr / local / man / man5 /）
5. xpdf应该已安装并可以使用
6. 您可以删除已下载的tar.gz文件及其解压缩文件夹

Answer 3

您无法使用file_get_contents()执行此操作，因为PDF文件仅包含二进制数据（无纯文本）。要阅读/修改pdf文件，您可以使用某些第三方库。看看：

• http://www.fpdf.org/
• http://www.setasign.de/products/pdf-php-solutions/fpdi/

不要忘记

• http://php.net/manual/en/book.pdf.php