C++ (PoDoFo)中的PDF解析

Question

嗨，所以我想从一些pdf文件中解析一些文本，我想使用PoDoFo，现在我已经尝试搜索如何使用PoDoFo来解析pdf的示例，但是我能想到的只是如何创建和编写pdf文件的示例，这并不是我真正需要的。

如果任何人有任何教程或使用PoDoFo解析PDF文件的示例，或者对我可以使用的其他库有建议，请让我知道。我也知道linux上有pdftotext，然而，我不仅不能使用pdftotext，而且我更希望能够在内部做我需要的一切，而不是依赖于安装外部程序。

Answer 1

PoDoFo不提供从文档中轻松提取文本的方法，但这并不难做到。

将文档加载到PdfMemDocument中

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

遍历每个页面：

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

遍历该页面上的所有PDF命令：

    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;
        }
    }
}

"process token“和"process var”注释有点复杂。您将看到要处理的原始PDF命令。幸运的是，如果您实际上并没有渲染页面，而只是想要文本，那么您可以忽略其中的大多数内容。您需要处理的命令包括：

BT、ET、Td、TD、Ts、T、Tm、Tf、"、<代码>D13、<代码>D14和<代码>D15

BT和ET命令标记文本流的开始和结束，因此您希望忽略除BT/ET对之外的任何内容。

PDF语言是基于RPN的。命令流由推入堆栈的值和将值弹出堆栈并对其进行处理的命令组成。

"、'、Tj和TJ命令是唯一实际生成文本的命令。"、'和Tj返回单个字符串。使用var.IsString()和var.GetString()对其进行处理。

TJ返回字符串数组。您可以使用以下命令提取每个文件：

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()

其他命令用于确定何时引入换行符。"和'还引入了换行符。最好的办法是从Adobe下载PDF规范并查看文本处理部分。它更详细地解释了每个命令的作用。

我发现写一个小程序是非常有帮助的，它接受一个PDF文件，并为每个页面转储命令流。

注意:如果您所做的只是提取没有位置信息的原始文本，那么您实际上不需要维护一堆var值。所有的文本渲染命令最多有一个参数。您可以简单地假设var中的最后一个值包含当前命令的参数。

Answer 2

我没有使用过PoDoFo，但是快速浏览一下他们的网页上的类层次结构就会发现：

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

(API doc link)

所以我想在这里大胆猜测一下，你确实是这样做的：

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

然后，我假设您通过调用doc.GetObjects()并遍历该数组(see PdfDocument class)来导航文档树