在PHP中使用pdftotext将PDF文件转换为文本不会产生干净的输出

我尝试了我能找到的所有程序和脚本来将pdf文件转换成文本。最后我想试试xpdf的pdftotext。首先，让pdftotext工作起来非常容易。您只需将二进制文件复制到linux服务器并运行它。您不必安装它或具有任何系统权限。然后从PHP我做了以下工作

$command = "<file location>/pdftotext   $file_pdf $file_text";
exec($command);

pdftotext上有很多选项，但我找不到任何可以帮我清除垃圾的选项。有很多例子。

---

圣格"!Gmc？nTääL|3:ïBïL0aï7ÃE+Ú0Ú/Ä；7ù3\240;êc MÜcÜr%，EÛc×可能PDF被锁定或由无法识别为文本的图像组成，请尝试检查此项。

使用Tesseract！在Linux提示符下作为可执行文件工作。任何可以调用操作系统的语言都可以简单地调用它。PHP可以做到这一点。要安装Tesseract，您需要Leptonica，而Leptonica又需要各种库。我所经历的依赖性地狱已经融入到这段代码中，如果用最新版本替换文件名（这段代码从2014年1月10日起就可以正常工作），那么这段代码应该可以正常工作。您确实需要GCC来构建，可能还需要root/sudo：

# Home page: https://code.google.com/p/leptonica/
# Download page: http://www.leptonica.com/download.html
yum install libpng-devel
yum install libtiff-devel
wget http://www.leptonica.com/source/leptonica-1.69.tar.gz
tar xzf leptonica-1.69.tar.gz
./configure
make
make install
export LIBLEPT_HEADERSDIR=/usr/local/include # Add to .profile.

# Home page: http://code.google.com/p/tesseract-ocr/
yum install libtool
tar xzf tesseract-3.02.tar.gz # Makes tesseract-ocr directory, no version.
tar xzf tesseract-3.02.eng.tar.gz # Makes tesseract-ocr/tessdata directory.
cd tesseract-ocr
./autogen.sh
./configure --with-extra-libraries=/usr/local/lib
make
make install
export TESSDATA_PREFIX=/export/home/xxxxxx/build/tesseract-ocr # Add to .profile.
tesseract –v # Output will verify also that Leptonica is installed correctly.

---

我用这个解决方案取得了惊人的效果。

有问题的pdf有文本。我找到的最好的解决办法接近我所拥有的。我想记录是否有人发现了这一点，并有类似的问题。James Madison提出的解决方案非常好，如果我有图像，并且想从图像中提取文本，那么他的解决方案是+1，尽管我没有尝试过

我所做的是使用这一行创建一个文件

$command = "/<my location>/pdftotext -layout  $file_pdf $file_text";
exec($command);

$command=“//pdftotext-layout$file\u pdf$file\u text”；
exec（$command）；

然后用这个代码过滤它

$text = file_get_contents ($file_text);
$text = preg_replace('/[^ ]{14}[^ ]*/', '', $text);
$text = preg_replace('/[^a-zA-Z0-9\s]/', "", $text);
$text = preg_replace('/\n[\s]*/',"\n",$text); // remove all leading blanks]
$text = wordwrap($text,150);
$text = str_replace("\n", "\n<br>", $text);
$text = preg_replace('/<br>..?.?\n/',"",$text);// remove lines with 1,2, or 3 characters

$text=文件获取内容（$file\u text）；
$text=preg_replace（'/[^]{14}[^]*/'，''.$text）；
$text=preg_replace（'/[^a-zA-Z0-9\s]/'，''，$text）；
$text=preg_replace（'/\n[\s]*/'，“\n”，$text）；//删除所有前导空格]
$text=wordwrap（$text，150）；
$text=str\u replace（“\n”，“\n
”，$text）；
$text=preg_replace（'/
。？\n/'，''，$text）；//删除包含1、2或3个字符的行

能否使用Acrobat Pro从该PDF中复制合理的文本？如果没有，则缺少将此文件中使用的私有编码转换为“纯文本”所需的数据。如果是这样，你需要手动找出哪个代码代表哪个字符，然后自己翻译。我试过Acrobat Pro，你是对的。我得到了同样的结果，所以我想我做得很好，因为我可以用输入文件。我的过滤器能过滤掉大部分的坏东西，所以我猜就是这样。它有什么作用？它是否创建PDF图像并对图像进行OCR？还是像pdftotext那样提取文本？啊，很好。它是OCR的。不仅仅是提取文本。如果您只想从PDF中提取文本，请考虑：，我在这方面也取得了巨大成功。PDF box甚至可以做一些巧妙的事情，比如理解表结构和有页脚的页面边界等等。你有没有比较过PDFbox和XPDF中的pdftotext？我从来没有使用过pdftotext。谢谢你的指点。如果PDF框无法满足需要，我会。

$text = file_get_contents ($file_text);
$text = preg_replace('/[^ ]{14}[^ ]*/', '', $text);
$text = preg_replace('/[^a-zA-Z0-9\s]/', "", $text);
$text = preg_replace('/\n[\s]*/',"\n",$text); // remove all leading blanks]
$text = wordwrap($text,150);
$text = str_replace("\n", "\n<br>", $text);
$text = preg_replace('/<br>..?.?\n/',"",$text);// remove lines with 1,2, or 3 characters