PDF文档中文本解析

常用的PDF文档解析解决方案有两种。

一是通过文档结构读取解析,另一种是通过ocr技术处理。

这里我们主要说一下文档读取解析的方案,现在常用的解析库有mupdf、pdfium、Aspose等第三方库来处理。其中mupdf、pdfium为开源、免费的。Aspose是一款收费的商业库。

下边我们分别说一说各种库的使用。

mupdf

库编译以及链接至项目中这里就不做介绍了我们主要说一下使用该库做文本提取,代码示例如下:

cpp 复制代码
std::string strPath = "pdf.pdf";
fz_context* ctx = fz_new_context(NULL, NULL, FZ_STORE_UNLIMITED);
fz_register_document_handlers(ctx);
fz_document* doc = fz_open_document(ctx, strPath.c_str());
int nCount = fz_count_pages(ctx, doc);
if (nCount > 0)
{
    //这里我们只演示第一页数据的获取,如果需要获取其他页的则自行处理
    fz_stext_page* text_page = fz_new_stext_page(ctx, fz_bound_page(ctx, page));
    fz_device* device = fz_new_stext_device(ctx, text_page, NULL);
    fz_run_page(ctx, page, device, fz_identity, NULL);
    fz_stext_block* block;
    
    SStringW sstrData;
    for (block = text_page->first_block; block; block = block->next)
    {
        if (block->type == FZ_STEXT_BLOCK_TEXT)
        {
            fz_stext_line* line;
            for (line = block->u.t.first_line; line; line = line->next)
            {
                fz_stext_char* ch;
                for (ch = line->first_char; ch; ch = ch->next)
                {
                    //获取字符
                    SStringW sstrChar;
                    sstrChar.Format(L"%c", ch->c);
                    sstrData += sstrChar;     
                    //获取字体
                    std::string strFont = ch->font->name;
                    //其他参数获取可自行实现,具体能获取那些可参考fz_stext_char结构,比如颜色、大小、位置等数据
                    //TODO:                                                                                                        
                }    
                sstrData += L"\n";        
            }        
        }  
    }
}

pdfium

代码示例如下:

cpp 复制代码
std::string strPath = "pdf.pdf";
FPDF_InitLibrary();
FPDF_DOCUMENT document = FPDF_LoadDocument(strPath.c_str(), nullptr);
if (!document)
{
    //error
}
int nCount = FPDF_GetPageCount(document);
if (nCount > 0)
{
    //这里我们只演示第一页数据的获取,如果需要获取其他页的则自行处理
    FPDF_PAGE page = FPDF_LoadPage(document, 0); // 加载第一页 (索引 0)
    if (page) 
    {
        std::wstring wstrText; 
        FPDF_TEXTPAGE text_page = FPDFText_LoadPage(page);
        if (text_page)
        {
            int char_count = FPDFText_CountChars(text_page);
            for (int i = 0; i < char_count; ++i) {
                unsigned short ch = FPDFText_GetUnicode(text_page, i);
                wchar_t wide_char = static_cast<wchar_t>(ch);
                wstrText += wide_char;
            }
            FPDFText_ClosePage(text_page);     
        }             
    }
}

在实际使用中发现使用mupdf解析文本时每一个block即为一段落的文本。但是在pdfium中获取的文本为整页中的所有文本,如果要划分段落则需要使用者自己根据字符的位置信息自己做归类处理。

Aspose

代码示例如下:

cpp 复制代码
if (!System::IO::File::Exists(u"Example1.pdf"))
{
    //文件不存在
}
auto extractor = MakeObject<Facades::PdfExtractor>();
extractor->BindPdf(u"Example1.pdf");
extractor->ExtractText();

auto memStream = MakeObject<System::IO::MemoryStream>();
extractor->GetText(memStream);

auto unicode = System::Text::Encoding::get_Unicode();
String allText = unicode->GetString(memStream->ToArray());
相关推荐
weixin_307779131 小时前
设计Mock CUDA库的流程与实现
c++·算法·gpu算力
郝学胜-神的一滴1 小时前
应用Builder模式在C++中进行复杂对象构建
开发语言·c++·程序人生
归云鹤2 小时前
C++ 构造函数语义学
开发语言·c++
Digitally3 小时前
如何轻松将 Windows 10 或 11 PC恢复出厂设置
windows
自由随风飘3 小时前
旅游城市数量最大化 01背包问题
数据结构·c++·算法·动态规划·旅游
切糕师学AI4 小时前
Spire.XLS for .NET 中, 将 Excel 转换为 PDF 时, 如何设置纸张大小为A4纸,并将excel内容分页放置?
pdf·.net·excel·spire
☆璇4 小时前
【C++】stack和queue
开发语言·c++
气质、小青年!4 小时前
【string类常见接口】
c++
逝雪Yuki5 小时前
牛客——接头密匙
c++·字典树·前缀树·数据结构与算法
oioihoii5 小时前
深入浅出理解WaitForSingleObject:Windows同步编程核心函数详解
windows·stm32·单片机