12

こんにちは。いくつかのPDFからテキストを解析しようとしています。PoDoFoを使用したいのですが、PoDoFoを使用してPDFを解析する方法の例を検索してみましたが、作成できるのは作成方法の例だけです。そして、私が本当に必要としているものではないpdfファイルを書きます。

誰かがPoDoFoでPDFファイルを解析するチュートリアルや例を持っているか、私が使用できる別のライブラリの提案がある場合は、私に知らせてください。また、Linuxにはpdftotextがあることも知っていますが、それを使用できないだけでなく、インストールされている外部プログラムに依存せずに、必要なすべてを内部で実行できるようにしたいと考えています。

4

2 に答える 2

43

PoDoFoは、ドキュメントからテキストを簡単に抽出する手段を提供していませんが、それを行うのは難しくありません。

PdfMemDocumentドキュメントを：にロードします

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

各ページを繰り返します。

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

そのページのすべてのPDFコマンドを繰り返します。

    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;
        }
    }
}

「プロセストークン」と「プロセス変数」のコメントは、もう少し複雑になります。処理する生のPDFコマンドが与えられます。幸い、実際にページをレンダリングしておらず、テキストだけが必要な場合は、ほとんどのページを無視できます。処理する必要のあるコマンドは次のとおりです。

BT、、、、、、、、、、、、、ET_ Td_ TD_ Ts_ T_ Tm_ Tf_ "_ '_ Tj_TJ

BTandコマンドは、テキストストリームの開始と終了をマークするため、 /ペアETの間にないものはすべて無視する必要があります。BTET

PDF言語はRPNベースです。コマンドストリームは、スタックにプッシュされる値と、スタックから値をポップして処理するコマンドで構成されます。

、、、およびコマンドは"、実際にテキストを生成する唯一のものです。、および単一の文字列を返します。とを使用して処理します。'TjTJ"'Tjvar.IsString()var.GetString()

TJ文字列の配列を返します。次の方法でそれぞれを抽出できます。

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()

他のコマンドは、改行をいつ導入するかを決定するために使用されます。"また、'改行を導入します。最善の策は、AdobeからPDF仕様をダウンロードし、テキスト処理セクションを検索することです。各コマンドの機能について詳しく説明しています。

PDFファイルを取得し、各ページのコマンドストリームをダンプする小さなプログラムを作成すると非常に便利であることがわかりました。

var注：位置情報なしで生のテキストを抽出するだけの場合は、実際に値のスタックを維持する必要はありません。すべてのテキストレンダリングコマンドには、最大で1つのパラメータがあります。varの最後の値に現在のコマンドのパラメーターが含まれていると単純に想定できます。

于 2012-07-30T10:15:09.683 に答える
4

私はPoDoFoを使用していませんが、API Webページでクラス階層をすばやく参照すると、次のことがわかります。

void PoDoFo::PdfMemDocument::Load( const char * pszFilename )

（APIドキュメントリンク）

だから私はここで推測を危険にさらすでしょう、あなたはそうします：

PoDoFo::PdfMemDocument doc;
doc.Load( "somefile.pdf" );

doc.GetObjects()次に、その配列を呼び出してウォークスルーすることにより、ドキュメントツリーをナビゲートすると想像します（ PdfDocumentクラスを参照） 。

于 2012-07-30T05:49:01.483 に答える