如何将PDF转换为原始TXT文件

我正在尝试从PDF文件中提取原始文本。我已经找到了PoDoFo库，它似乎可以做这项工作。

基于这个答案，我现在所做的是:

#include <iostream>
#include <string>
#include <podofo/podofo.h>
//using namespace PoDoFo;
int main( int argc, char* argv[] )
{
    PoDoFo::PdfMemDocument pdf("inputpdftest.pdf");
    for (int pn = 0; pn < pdf.GetPageCount(); ++pn) 
    {
        std::cout << "Page: " << pn << std::endl;
        PoDoFo::PdfPage* page = pdf.GetPage(pn);
        PoDoFo::PdfContentsTokenizer tok(page);
        const char* token = NULL;
        PoDoFo::PdfVariant var;
        PoDoFo::EPdfContentsType type;
        while (tok.ReadNext(type, token, var)) 
        {
            if (type == PoDoFo::ePdfContentsType_Keyword)
            {
                // process type, token & var
                if (var.IsArray()) 
                {
                    PoDoFo::PdfArray& a = var.GetArray();
                    for (size_t i = 0; i < a.GetSize(); i++)
                    {
                        if (a[i].IsString())
                        {
                            std::string str = a[i].GetString().GetStringUtf8();
                            std::cout << str << " ";
                        }
                    }
                }
            }
        }
    }
    return 0;
}

输出与使用记事本打开PDF完全相同，只是一些垃圾，如:

  ( : ˝  ˝   - H  -   ( : ˝ ˇ  ; 7  < ˝ ˙ ˝  )     ˆ + 0  ( : ˝     % ˆ % ˘ ˚ : ˇ  ( 7  < ˝ ˙ ˝  )       ( -  ˝   % ' ˝ ) - 0 ˝      ˜ % / ˚ (  ˙ ˚ : ˇ  ( 7  < ˝ ˙ ˝  )       ( -  ˝   % ' ˝ ) - 0 ˝    ˜ % / ˚ (  ˙ ˚ : ˇ  ˆ 7  < ˝ ˙ ˝  )    

很明显，因为我没有设法将这些信息转换为正常文本，我问的是如何做到这一点?

所以，正如你所看到的，我必须使用GetString函数处理PDF的数据。现在我遍历每个令牌，检查它的数组(并包含PDF命令，如TJ等)，然后在这样的元素GetString上使用。在我的回答中没有提到我如何进一步处理这个问题。

从文档Returns the strings contents它是一个数组，我应该迭代它?

输入的PDF不是扫描的图片或图像。在给定的文件中总会有一些文本，可以突出显示，手动复制，或者搜索一个单词。

PDF格式的例子

我真诚地问答案，我怎么能从这样的数据文本