Question

我正在寻找一种快速可靠的方法来读取/解析Ruby中的大型PDF文件（在Linux和OSX上）。

到目前为止，我发现了相当古老而简单的PDF-toolkit（一个pdftotext - 包装器）和PDF-reader，它无法读取我的大部分文件。虽然这两个库提供了我正在寻找的功能。

我的问题：我错过了什么吗？是否有更适合（更快，更可靠）的工具来解决我的问题？

Answer 1

您可能会发现Docsplit有用：

Docsplit是一个命令行实用程序和Ruby库，用于将文档拆分为组件部分：可搜索的UTF-8纯文本，任何格式的页面图像或缩略图，PDF，单页和文档元数据（标题，作者，页数...）

Answer 2

尝试不同的方法后，我现在正在使用PDF-Toolkit。它很老了，但速度快，稳定可靠。此外，它确实不需要是新的，因为它只包裹xpdf commandline utilities。

Answer 3

您可以使用JRuby和Java PDF库解析器，例如ApachePDFBox（https://www.ohloh.net/p/pdfbox）。另请参阅http://java-source.net/open-source/pdf-libraries。

Answer 4

以下是一些选项：

http://en.wikipedia.org/wiki/List_of_PDF_software

从该链接和搜索sourceforge，有几个命令行实用程序可以执行您想要的操作，例如：http://pdftohtml.sourceforge.net/

根据您的要求和PDF的外观，您可以查看使用Google Docs API（上传PDF然后将其下载为文本），或者也可以尝试gocr之类的内容。我过去很幸运使用gocr解析图像文本，你只需要反弹到shell来执行它，比如gocr -i whatever.pdf（我认为它适用于PDF）。

所有这些的缺点是它们不是纯Ruby实现，但许多好的（和免费的）OCR项目似乎都是这样做的。

Answer 5

如果您只需要从pdf文件中获取文本内容，则sourceforge上的pdftohtml非常有效。它不适合处理图像。

Answer 6

你看过CombinePDF图书馆了吗？

它是一种纯红宝石解决方案，允许一些PDF操作，例如提取页面，将一个PDF页面覆盖在另一个上，页面编号，编写基本文本和表格等等。

以下是使用徽标来标记现有PDF文件的示例。该示例读取PDF文件，提取一个页面以用作图章并标记另一个PDF文件。

require 'combine_pdf'
company_logo = CombinePDF.load("company_logo.pdf").pages[0]
pdf = CombinePDF.load "content_file.pdf"
pdf.pages.each {|page| page << company_logo}
pdf.save "content_with_logo.pdf"

您还可以标记文字，数字页面或使用：

require 'combine_pdf'

pdf = CombinePDF.load "content_file.pdf"

pdf.number_pages #adds page numbers. you can add formatting and placement options.

pdf.pages.each {|page| page.textbox "One Way To Stamp"}

#you can a shortcut method to stamp pages
pdf.stamp_pages "Another way to stamp"

#you can use the shortcut method for both text and PDF stamps
company_logo = CombinePDF.load("company_logo.pdf").pages[0]
pdf.stamp_pages company_logo

# you can use write simple tables
pdf.pages[0].write_table headers: ['first name', 'surname'], table_data: [['John', 'Doe'], ['Mr.', 'Smith']]

pdf.save "content_with_logo.pdf"

它不适用于复杂的操作，但它补充了大多数PDF创作库，并允许您使用PDF模板而不是从头开始编写整个内容。

Ruby：阅读PDF文件

6 个答案: