关于PDF到文本的另一个问题……任何服务器端解决方案！

问题描述

|| 我一直在尝试找到一种将PDF文档转换为文本的方法。 以下解决方案效果最佳，但不适用于所有pdf。 他们都：

PDF-1.4
5 0 obj
Length 6 0 R/Filter /FlateDecode

。 我需要在服务器端进行操作，并且无法安装模块。我在格式化代码输出的字符串时没有问题。我的大脑因搜寻而难过。

function pdf2string($sourcefile) { 

$fp = fopen($sourcefile,\'rb\'); 
$content = fread($fp,filesize($sourcefile)); 
fclose($fp); 

$searchstart = \'stream\'; 
$searchend = \'endstream\'; 
$pdfText = \'\'; 
$pos = 0; 
$pos2 = 0; 
$startpos = 0; 

while ($pos !== false && $pos2 !== false) { 

    $pos = strpos($content,$searchstart,$startpos); 
    $pos2 = strpos($content,$searchend,$startpos + 1); 

    if ($pos !== false && $pos2 !== false){ 

        if ($content[$pos] == 0x0d && $content[$pos + 1] == 0x0a) { 
            $pos += 2; 
        } else if ($content[$pos] == 0x0a) { 
            $pos++; 
        } 

        if ($content[$pos2 - 2] == 0x0d && $content[$pos2 - 1] == 0x0a) { 
            $pos2 -= 2; 
        } else if ($content[$pos2 - 1] == 0x0a) { 
            $pos2--; 
        } 

        $textsection = substr( 
            $content,$pos + strlen($searchstart) + 2,$pos2 - $pos - strlen($searchstart) - 1 
        ); 
        $data = @gzuncompress($textsection); 
        $pdfText .=\"<br>\".pdfExtractText($data); 
        $startpos = $pos2 + strlen($searchend) - 1; 

    } 
} 

return preg_replace(\'/(\\s)+/\',\' \',$pdfText); 

} 

function pdfExtractText($psData){ 

if (!is_string($psData)) { 
    return \'\'; 
} 

$text = \'\'; 

// Handle brackets in the text stream that Could be mistaken for 
// the end of a text field. I\'m sure you can do this as part of the 
// regular expression,but my skills aren\'t good enough yet. 
$psData = str_replace(\'\\)\',\'##ENDBRACKET##\',$psData); 
$psData = str_replace(\'\\]\',\'##ENDSBRACKET##\',$psData); 

preg_match_all( 
    \'/(T[wdcm*])[\\s]*(\\[([^\\]]*)\\]|\\(([^\\)]*)\\))[\\s]*Tj/si\',$psData,$matches 
); 
for ($i = 0; $i < sizeof($matches[0]); $i++) { 
    if ($matches[3][$i] != \'\') { 
        // Run another match over the contents. 
        preg_match_all(\'/\\(([^)]*)\\)/si\',$matches[3][$i],$subMatches); 
        foreach ($subMatches[1] as $subMatch) { 
            $text .= $subMatch; 
        } 
    } else if ($matches[4][$i] != \'\') { 
        $text .= ($matches[1][$i] == \'Tc\' ? \' \' : \'\') . $matches[4][$i]; 
    } 
} 

// Translate special characters and put back brackets. 
$trans = array( 
    \'...\'                => \'…\',\'\\205\'                => \'…\',\'\\221\'                => chr(145),\'\\222\'                => chr(146),\'\\223\'                => chr(147),\'\\224\'                => chr(148),\'\\226\'                => \'-\',\'\\267\'                => \'•\',\'\\(\'                => \'(\',\'\\[\'                => \'[\',\'##ENDBRACKET##\'    => \')\',\'##ENDSBRACKET##\'    => \']\',chr(133)            => \'-\',chr(141)            => chr(147),chr(142)            => chr(148),chr(143)            => chr(145),chr(144)            => chr(146),); 
$text = strtr($text,$trans); 

return $text; 

} 

    

解决方法

        检查您的服务器上是否安装了“ pdftotext”：

echo shell_exec(\'pdftotext --help\');

如果是，请使用它轻松地将pdf转换为文本。 如果不是，请尝试下载源代码以查看其操作方式（pdftotext是开放源代码）。