c++ - C++ 中的 PDF 解析 (PoDoFo)

Question

嗨，我正在尝试从一些 pdf 中解析一些文本，我想使用 PoDoFo，现在我尝试搜索如何使用 PoDoFo 解析 pdf 的示例，但是我能想出的只是示例如何创建和编写不是我真正需要的 pdf 文件。

如果有人有任何使用 PoDoFo 解析 PDF 文件的教程或示例，或者对我可以使用的其他库有建议，请告诉我。我也知道 linux 上有 pdftotext，但是，我不仅不能使用它，而且我更希望能够在内部完成我需要做的所有事情，而不是依赖正在安装的外部程序。

Answer 1

PoDoFo 没有提供从文档中轻松提取文本的方法，但并不难做到。

将文档加载到 PdfMemDocument:

PoDoFo::PdfMemDocument pdf("mydoc.pdf");

遍历每一页:

for (int pn = 0; pn < pdf.GetPageCount(); ++pn) {
    PoDoFo::PdfPage* page = pdf.GetPage(pn);

遍历该页面上的所有 PDF 命令:

    PoDoFo::PdfContentsTokenizer tok(page);
    const char* token = nullptr;
    PoDoFo::PdfVariant var;
    PoDoFo::EPdfContentsType type;
    while (tok.ReadNext(type, token, var)) {
        switch (type) {
            case PoDoFo::ePdfContentsType_Keyword:
                // process token: it contains the current command
                //   pop from var stack as necessary
                break;
            case PoDoFo::ePdfContentsType_Variant:
                // process var: push it onto a stack
                break;
            default:
                // should not happen!
                break;
        }
    }
}

“进程 token ”和“进程变量”注释是它变得更复杂的地方。您将获得要处理的原始 PDF 命令。幸运的是，如果您实际上并没有呈现页面并且您想要的只是文本，那么您可以忽略其中的大部分。您需要处理的命令是:

BT、ET、Td、TD、Ts、T, Tm, Tf, ", ', Tj 和 TJ

BT 和 ET 命令标记文本流的开始和结束，因此您希望忽略不在 BT 之间的任何内容/ET 对。

PDF 语言基于 RPN。命令流由压入堆栈的值和将值从堆栈中弹出并处理它们的命令组成。

"、'、Tj 和 TJ 命令是唯一实际生成文本的命令。"、' 和 Tj 返回单个字符串。使用 var.IsString() 和 var.GetString() 进行处理。

TJ 返回一个字符串数组。您可以使用以下方法提取每个:

if (var.isArray()) {
    PoDoFo::PdfArray& a = var.GetArray();
    for (size_t i = 0; i < a.GetSize(); ++i)
        if (a[i].IsString())
            // do something with a[i].GetString()

其他命令用于确定何时引入换行符。 " 和 ' 也引入了换行符。最好的办法是从 Adob​​e 下载 PDF 规范并查找文本处理部分。它更详细地解释了每个命令的作用.

我发现编写一个小程序来获取 PDF 文件并转储每个页面的命令流非常有帮助。

注意:如果您所做的只是提取没有定位信息的原始文本，那么您实际上不需要维护 var 值的堆栈。所有的文本渲染命令最多只有一个参数。您可以简单地假设 var 中的最后一个值包含当前命令的参数。