用Poppler（C++）從PDF中提取文本

Question

我試圖通過Poppler及其（缺少）文檔獲得我的方式。

我想要做的是一件非常簡單的事情：打開PDF文件並閱讀其中的文本。然後我要處理文本，但這並不重要。

所以...我看到了poppler_page_get_text函數，它有用，但我必須指定一個選擇矩形，這不是很方便。是不是隻有一個非常簡單的功能，可以按順序輸出PDF文本（也許是逐行輸出？）。

Answer 1

您應該能夠將選擇矩形設置爲頁面的pageSize/MediaBox並獲取所有文本。

我說應該是因爲在你開始想知道爲什麼你會對poppler_page_get_text的輸出感到驚訝之前，你應該知道如何在頁面上佈置文本。所有圖形均使用以後綴表示法表示的程序在頁面上進行佈局。爲了渲染頁面，該程序在空白頁面上執行。

程序中的操作可以包括改變顏色，位置，當前變換矩陣，繪製線，貝塞爾曲線等。文本由一系列始終包含在BT（開始文本）和ET（結束文本）中的文本運算符進行佈局。如何或在何處放置文本是由生成PDF的軟件自行決定。例如，對於打印驅動程序，代碼響應GDI調用DrawString並將其轉換爲文本繪圖操作。

如果幸運的話，頁面上的文本按照正常的字體使用順序排列，但許多生成PDF的程序並不那麼友好。例如Psroff，首先將所有純文本，然後是斜體文本，然後是粗體文本。單詞可能或不可以放在閱讀順序中。字體可能會重新編碼，以便'a'映射到'{'或其他。然後，您可能會有多個字符被單個字形替換的連字 - 最常見的字符是ae,oe,fi,fl和ffl。

隨着這一切的到來，提取文本的過程肯定是不平凡的，所以如果您看到文本提取質量差的結果，請不要感到驚訝。

我曾經使用過Acrobat 1.0和2.0中的文本提取工具 - 這是一個真正的挑戰。從記錄上來看

Answer 2

，我使用poppler的現在用這個小程序

#include <iostream> 

#include "poppler-document.h" 
#include "poppler-page.h" 
using namespace std; 

int main() 
{ 
    poppler::document *doc = poppler::document::load_from_file("./CMI2APIDocV1.4.pdf"); 
    const int pagesNbr = doc->pages(); 
    cout << "page count: " << pagesNbr << endl; 

    for (int i = 0; i < pagesNbr; ++i) 
     cout << doc->create_page(i)->text().to_latin1().c_str() << endl; 
} 

// g++ -I/usr/include/poppler/cpp/ -c poppler.cpp 
// g++ -I/usr/include/poppler/cpp poppler.o /usr/lib/x86_64-linux-gnu/libpoppler-cpp.a /usr/lib/x86_64-linux-gnu/libpoppler.a /usr/lib/x86_64-linux-gnu/liblcms2.so  /usr/lib/x86_64-linux-gnu/libfontconfig.a /usr/lib/x86_64-linux-gnu/libjpeg.a /usr/lib/x86_64-linux-gnu/libfreetype.a  /usr/lib/x86_64-linux-gnu/libexpat.a /usr/lib/x86_64-linux-gnu/libz.a 

我有個結果相當滿意，到目前爲止，除陣列和純文本「電子表格」恢復原狀，有時單個單元可能跨越多條線。 （如果有人知道如何避免這種情況？）