perl - 在 Perl 中从 pdf 读取文本时遇到问题

Question

我正在尝试将 pdf 文件的文本内容读入 Perl 变量。从其他 SO 问题/答案中，我感觉到我需要使用 CAM::PDF .这是我的代码:

#!/usr/bin/perl -w

use CAM::PDF;
my $pdf = CAM::PDF->new('1950-01-01.pdf');
print $pdf->numPages(), " pages\n\n";

my $text = $pdf->getPageText(1);
print $text, "\n";

我尝试在 this pdf file 上运行它. Perl 没有报告错误。第一个打印语句有效；它打印“2 页”，这是本文档中的正确页数。

下一个打印语句不返回任何可读内容。以下是 Emacs 中的输出:

2 pages

^A^B^C^D^E^C^F^D^G^H
^D^A^K^L^C^M^D^N^C^M^O^D^P^C^Q^Q^C      ^D^R^K^M^O^D ^A^B^C^D^E
^F^G^G^H^E
^K^L
^M^N^E^O^P^E^O^Q^R^S^E
.... more lines with similar codes ....

有什么我可以做的事情吗？我不太了解pdf文件，但我认为因为我可以使用Acrobat轻松复制和粘贴PDF文件中的文本，因此必须将其识别为文本而不是图像，所以我希望这意味着我可以提取它使用 Perl。

任何指导将不胜感激。

Answer 1

我相当确定问题不在于您的 perl 代码，而在于 PDF 文件。我在我自己的一个 PDF 文件上运行了相同的脚本，它工作得很好。