使用 Poppler 从 PDF 中提取文本 (C++)

Question

我正在尝试通过 Poppler 及其（缺乏）文档来解决问题。

我想做的是一件非常简单的事情：打开一个PDF文件并阅读其中的文本。然后我将处理文本，但这在这里并不重要。

所以...我看到了 poppler_page_get_text 函数，它有点工作，但我必须指定一个选择矩形，这不是很方便。难道不是有一个非常简单的函数可以按顺序输出 PDF 文本（也许是逐行输出？）。

Answer 1

您应该能够将选择矩形设置为页面的 pageSize/MediaBox 并获取所有文本。

我说应该是因为在您开始想知道为什么会对 poppler_page_get_text 的输出感到惊讶之前，您应该了解文本在页面上的布局方式。所有图形均使用以后修复符号表示的程序布置在页面上。为了渲染页面，该程序在空白页面上执行。

程序中的操作可以包括改变颜色、位置、当前变换矩阵、绘制直线、贝塞尔曲线等。文本由一系列文本运算符布局，这些运算符始终用 BT（开始文本）和 ET（结束文本）括起来。文本在页面上的放置方式或位置由生成 PDF 的软件自行决定。例如，对于打印驱动程序，代码响应对 DrawString 的 GDI 调用，并将其转换为文本绘制操作。

如果幸运的话，页面上的文本会以合理的顺序排列并使用合理的字体，但许多生成 PDF 的程序并不那么友好。例如，Psroff 喜欢首先放置所有纯文本，然后是斜体文本，然后是粗体文本。单词可能会也可能不会按阅读顺序排列。字体可以重新编码，以便 'a' 映射到 '{' 或其他内容。然后，您可能会使用多个字符被单个字形替换的连字 - 最常见的是 ae、oe、fi、fl 和 ffl。

完成所有这些后，提取文本的过程绝对不平凡，因此如果您看到文本提取的质量较差，请不要感到惊讶。

我曾经研究过 Acrobat 1.0 和 2.0 中的文本提取工具 - 要正确使用它确实是一个挑战。

Answer 2

只是为了记录，我现在正在使用 poppler 与这个小程序，

#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

到目前为止，我对结果非常满意，除了纯文本中的数组和“电子表格”恢复，有时单个单元格可能会跨越多条线。 （如果有人知道如何避免这种情况？）