pdf - 将图层从PDF文件提取到HTML

Question

我有一个PDF文件，其中包含图层。

例如，在某些页面上，单击（层）时，会有一些图形，并在该图形的顶部显示其他数据。

现在，我需要尝试从PDF文件中提取所有这些图层，或者确切地说，我需要该PDF文件中的所有数据，包括图层。 pdf文件包含用于在适当时显示/隐藏图层的javascript。

最好的方法是什么？有没有可以真正满足我意图的工具？还是我应该自己写点东西？ （当然可以）。

编辑：

您可以在此处下载PDF文件：
http://www.2shared.com/document/IutUfDfr/OR_erasmus.html

查看的密码是：

Answer 1

我不知道本身是否有任何工具，但是如果找不到这些工具，则可以执行以下操作：


对于您感兴趣的开关层的每种组合，请遍历所有页面并收集内容流。对这些标记进行标记，并切掉您不想看到的内容（确定这些需要监视的命令是BDC和EMC）。再次使用剪切后的内容保存流（自然将结果保存到其他文件中）。您需要一些内容来阅读PDF对象结构并更新一些对象（为此有很多库），此外还需要能够解析内容流。


现在，您将拥有一组不带图层（可选内容）的PDF文件，对于这些文件，有很多工具可以呈现为HTML等。

注意：PDF查看器中的可选内容<->层开关通常为1：1，但标准支持完整的n：m映射。我将专注于可以打开/关闭以使事情简单的真正可选内容块。