C++ PoDoFo - 如何将 PDF 转换为原始 TXT 文件？

Question

我正在尝试从 PDF 文件中提取原始文本。我已经找到了 PoDoFo 库，它似乎可以完成这项工作。

基于 this answer这是我现在所做的:

#include <iostream>
#include <string>
#include <podofo/podofo.h>

//using namespace PoDoFo;

int main( int argc, char* argv[] )
{
    PoDoFo::PdfMemDocument pdf("inputpdftest.pdf");
    for (int pn = 0; pn < pdf.GetPageCount(); ++pn) 
    {
        std::cout << "Page: " << pn << std::endl;
        PoDoFo::PdfPage* page = pdf.GetPage(pn);
        PoDoFo::PdfContentsTokenizer tok(page);
        const char* token = NULL;
        PoDoFo::PdfVariant var;
        PoDoFo::EPdfContentsType type;
        while (tok.ReadNext(type, token, var)) 
        {
            if (type == PoDoFo::ePdfContentsType_Keyword)
            {
                // process type, token & var
                if (var.IsArray()) 
                {
                    PoDoFo::PdfArray& a = var.GetArray();
                    for (size_t i = 0; i < a.GetSize(); i++)
                    {
                        if (a[i].IsString())
                        {
                            std::string str = a[i].GetString().GetStringUtf8();
                            std::cout << str << " ";
                        }
                    }
                }
            }
        }
    }
    return 0;
}

输出已经和用记事本打开PDF一模一样了，只是有些垃圾，比如:

  ( : ˝  ˝   - H  -   ( : ˝ ˇ  ; 7  < ˝ ˙ ˝  )     ˆ + 0  ( : ˝     % ˆ % ˘ ˚ : ˇ  ( 7  < ˝ ˙ ˝  )       ( -  ˝   % ' ˝ ) - 0 ˝      ˜ % / ˚ (  ˙ ˚ : ˇ  ( 7  < ˝ ˙ ˝  )       ( -  ˝   % ' ˝ ) - 0 ˝    ˜ % / ˚ (  ˙ ˚ : ˇ  ˆ 7  < ˝ ˙ ˝  )    

很明显，因为我没有设法将这些信息转换为普通文本，我问的是如何做到这一点？

因此，如您所见，我必须使用 GetString 函数处理 PDF 数据。现在我要遍历每个标记，检查它是否是数组(并包含 PDF 命令，如 TJ 等)，然后在这样的元素上使用 GetString。在我提到的回答中，没有说我可以如何进一步处理这个问题。

From documentation 返回字符串内容 它是一个数组，我应该遍历它吗？

输入的 PDF 不是扫描的图片或图像。在给定的文件中总会有一些文本，可以高亮显示，然后手动复制，或搜索一个词。

Example PDF

我真诚地寻求答案如何从这些数据中获取文本。

Answer 1

问题是评论

// process type, token & var

旨在替换为实际执行一些处理的代码。if (var.IsArray()) 测试中的代码只有在您确定当前命令是 TJ 时才会执行。您仍然需要处理一些文本命令。

更好的例子，看podofo源中podofotextextract工具的源码:https://svn.code.sf.net/p/podofo/code/podofo/trunk/tools/podofotxtextract