PDF文本搜索和拆分库

Question

我正在寻找服务器端PDF库(或命令行工具)，它可以：

• 将多页PDF文件拆分为单个PDF文件，基于
• PDF文件内容的搜索结果。

示例：

• 搜索“页面？”格式，并将大pdf拆分为001.pdf、002、PDF、. ???.pdf

服务器程序将扫描PDF，查找搜索模式，保存与patten匹配的页面，并将文件保存在磁盘中。

与PHP / Ruby集成会更好。命令行工具也可以接受。它将是一个服务器端(linux或win32)批处理工具。不支持GUI/登录。i18n支持将是不错的，但不需要。谢谢~

Answer 1

pdfminer + python中的多行模式匹配

Answer 2

我的公司阿塔拉索刚刚发布了一些在.NET上运行的PDF操作工具。有一个文本提取类，可以用来查找文本并决定如何拆分文档，还有一个非常高级的文档类，可以使拆分变得非常简单。假设您有一个流到源PDF和一个越来越有序的列表来描述每个拆分的起始页面，那么生成拆分文件的代码如下所示：

public void SplitPdf(Stream stm, List<int> pageStarts, string outputDirectory)
{
    PdfDocument mainDoc = new PdfDocument(stm);
    int lastPage = mainDoc.Pages.Count - 1;

    for (int i=0; i < pageStarts.Count; i++) {
        int startPage = pageStarts[i];
        int endPage= (i < pageStarts.Count - 1) ?
            pageStarts[i + 1] - 1 :
            lastPage;
        if (startPage > endPage) throw new ArgumentException("list is not ordered properly", "pageStarts");
        PdfDocument splitDoc = new PdfDocument();
        for (j = startPage; j <= endPage; j++)
            splitDoc.Pages.Add(mainDoc.Pages[j];

        string outputPath = Path.Combine(outputDirectory, 
                                         string.Format("{0:D3}.pdf", i + 1));
        splitDoc.Save(outputPath);
    }

如果将其概括为页面范围结构：

public struct PageRange {
    public int StartPage;
    public int EndPage;
}

如果StartPage和EndPage包含描述一系列页面，那么代码就更简单了：

public void SplitPdf(Stream stm, List<PageRange> ranges, string outputDirectory)
{
    PdfDocument mainDoc = new PdfDocument(stm);

    int outputDocCount = 1;
    foreach (PageRange range in ranges) {
        int startPage = Math.Min(range.StartPage, range.EndPage); // assume not in order
        int endPage = Math.Max(range.StartPage, range.EndPage);
        PdfDocument splitDoc = new PdfDocument();
        for (int i=startPage; i <= endPage; i++)
            splitDoc.Pages.Add(mainDoc.Pages[i]);
        string outputPath = Path.Combine(outputDirectory, 
                                         string.Format("{0:D3}.pdf", outputDocCount));
        splitDoc.Save(outputPath);
        outputDocCount++;
    }
}

Answer 3

PDFBox是一个Java库，但它也有一些命令行工具：

http://pdfbox.apache.org/

PDFBox可以提取文本，也可以重建/拆分PDFS。