Marklogic中PDF到XML的转换

我们的文件系统中有一些PDF文件，这些文件通过MLCP加载到Marklogic服务器中。一旦接收到PDF，CPF将在启用默认转换的Marklogic中触发。这将导致PDF文件转换为XML（docbook格式）文件。PDF可能在页面末尾包含一个句子，文本的某些部分会溢出到下一页。问题是，当转换发生时，来自每个页面的文本保留在一个标记中，这意味着来自下一页的溢出文本将显示在一个单独的标记中。比如说“快棕色狐狸跳过懒狗”这句话。现在，“敏捷的棕色狐狸”出现在PDF的一页中，其余的“跳过懒狗”进入下一页。转换后，XML中会显示以下内容：

......
<para>The quick brown fox</para>
...... (some information about headers)
<para>jumps over the lazy dog</para>

。。。。。。
敏捷的棕色狐狸
...... （有关标题的一些信息）
跳过懒狗

---

有没有一种方法可以在转换过程中保持文本的连续性？

有两种方法。较难的前处理方式和较容易的后处理方式。 （1） 通过PDF配置文件。默认情况下，这是

转换器/cvtpdf

中的

PDFtoXHTML.cfg

安装的子目录。您可以创建自己的配置文件，并通过 将选项配置为

xdmp:pdf转换

。您要做的是在页面中添加一个裁剪框以裁剪出页面 页码、页眉/页脚等。其语法为：

[ANNOT PLAN]
0.Iceni Crop Box =1-# [341.15, 91.78, 259.87, 364.84];
[-- END --]

你怎么知道这个盒子的几何结构是什么？你可以从网站下载一个叫做双子座的工具 我不想这样做。只要您处理的所有文档都具有相同的几何图形，这就可以正常工作

（2） 通过docbook输出的后处理。页面的开始和结束在从PDF转换生成的XHTML中进行标记，该标记也会传播到Docbook。比如：

&para>
  &phrase id="pge03"> &/phrase>
&/para> &para>
  &phrase id="pgs04"> &/phrase>
&/para>
&para/>

您可以运行某种样式表来查找此模式并删除页眉/页脚 附近的情报。它变得很棘手，因为你必须决定是否缝合相邻的线 页面周围的段落重新组合在一起，可能是基于样式信息。默认情况下 Docbook不会保留

XHTML

中的样式信息，但如果需要，您可以将其保存到 通过在Docbook步骤中将选项“保留样式”设置为false。查看Docbook管道。 （这来自安装目录中的

Installer/conversion/docbook pipeline.xml

）