如何在Perl中解析.pdf文件？

如何在Perl中解析.pdf文件？

---

perl是更有效的还是我应该使用其他语言？

看看，特别是，如果你想做OCR，请看，我不知道有哪个模块可以解析，也就是说，如果你想从中提取文本。有许多模块可以让您操作它们。试试。

我个人使用CAM:：PDF

my $doc=CAM::PDF->new($fileName) || die "$CAM::PDF::errStr\n"; CAM::PDF>asciify(/$pdfString);`

---

pdf不是为解析而设计的，而是为显示/打印而设计的-因此，任何东西都是尝试和错误的，如果所有东西都是图形，则很可能无法解析。
一个好的指标是您是否可以将pdf中的内容复制并粘贴到编辑器中。如果这样做有效，那么您就是在做生意。

当我想从PDF中提取文本时，我会使用

-xml

输出选项将其馈送到

pdftohtml

（的一部分）。这将生成一个XML文件，我使用它（或除XML:：Simple之外的任何其他XML解析器）进行解析

这相当简单。PDF中的每个页面都有一个

元素，其中包含描述所用字体的

元素，以及每行文本的

元素。

元素可能包含用于粗体和斜体文本的

和

标记（这就是XML:：Simple无法正确解析它的原因）

---

您确实需要使用

标记的

top

和

left

属性来获得正确的顺序，因为它们不一定是按从上到下的顺序发出的。坐标系在页面的左上角有0,0，向下和向右为正。维度以PostScript点（每英寸72点）表示。

没有好点，@David--另一方面，Perl非常擅长解析文本文件。它可能不是解析PDF的最佳工具。Perl完全可以解析PDF。相关：并且这个代码片段不完整-$pdfString来自哪里，我假设/是一个输入错误？与“CAM:：PDF>Ascify”一样，如果在PDF中有一个数据表，XML是否可以轻松地告诉您数据列的开始和结束位置，或者它只是一个大文本../text节点，您仍然需要猜测pdftotext转换文本文档中的列边界是什么？这取决于PDF的生成方式。我希望每个单元格有一个文本节点，但我想我从来没有尝试过这样的文档。我在一个文档上测试过它，在大多数情况下，每个单元格都是一个文本节点。但有时，第一列会与同一文本节点中的下一列合并。幸运的是，这对我来说很容易分开，但我还没有仔细研究，以找到其他问题…但它看起来很有希望…谢谢。