Perl PDF 逐行解析器？

Question

我有一个 pdf 文件，仅包含文本，没有特殊字符或图像等。是否有任何 Perl 模块(一直在查看 cpan 无济于事)来帮助我逐行解析每个页面？(将 PDF 转换为文本会产生不良结果和无法解析的数据)

谢谢

Answer 1

当我想从 PDF 中提取文本时，我将其输入 pdftohtml (Poppler 的一部分)使用 -xml输出选项。这会生成一个 XML 文件，我使用 XML::Twig 对其进行解析。 (或者您喜欢的任何其他 XML 解析器，除了 XML::Simple)。

The XML format相当简单。您会得到 <page> PDF 中每个页面的元素，其中包含 <fontspec>描述所使用字体的元素和 <text>每行文本的元素。 <text>元素可能包含<b>和<i>粗体和斜体文本的标签(这就是 XML::Simple 无法正确解析它的原因)。

您确实需要使用top和left <text> 的属性标签以使它们按正确的顺序排列，因为它们不一定按从上到下的顺序发出。坐标系以页面左上角为0,0，下、右为正。尺寸以 PostScript 点为单位(每英寸 72 点)。