使用PoDoFo-lib从PDF操作符中的数组TJ中提取文本
Extract text from array TJ in PDF operator using PoDoFo lib
我正在尝试使用PoDoFo库从PDF文件中提取文本,它适用于Tj运算符,但无法为(数组(Tj运算符执行此操作。我在这里找到了这段代码(经过我的小修改(:
const char* pszToken = NULL;
PdfVariant var;
EPdfContentsType eType;
PdfContentsTokenizer tokenizer( pPage );
double dCurPosX = 0.0;
double dCurPosY = 0.0;
double dCurFontSize = 0.0;
bool bTextBlock = false;
PdfFont* pCurFont = NULL;
std::stack<PdfVariant> stack;
while( tokenizer.ReadNext( eType, pszToken, var ) )
{
if( eType == ePdfContentsType_Keyword )
{
// support 'l' and 'm' tokens
_RPT1(_CRT_WARN, " %sn", pszToken);
if( strcmp( pszToken, "l" ) == 0 ||
strcmp( pszToken, "m" ) == 0 )
{
dCurPosX = stack.top().GetReal();
stack.pop();
dCurPosY = stack.top().GetReal();
stack.pop();
}
else if (strcmp(pszToken, "Td") == 0)
{
dCurPosY = stack.top().GetReal();
stack.pop();
dCurPosX = stack.top().GetReal();
stack.pop();
}
else if (strcmp(pszToken, "Tm") == 0)
{
dCurPosY = stack.top().GetReal();
stack.pop();
dCurPosX = stack.top().GetReal();
stack.pop();
}
else if( strcmp( pszToken, "BT" ) == 0 )
{
bTextBlock = true;
// BT does not reset font
// dCurFontSize = 0.0;
// pCurFont = NULL;
}
else if( strcmp( pszToken, "ET" ) == 0 )
{
if( !bTextBlock )
fprintf( stderr, "WARNING: Found ET without BT!n" );
}
if( bTextBlock )
{
if( strcmp( pszToken, "Tf" ) == 0 )
{
dCurFontSize = stack.top().GetReal();
stack.pop();
PdfName fontName = stack.top().GetName();
PdfObject* pFont = pPage->GetFromResources( PdfName("Font"), fontName );
if( !pFont )
{
PODOFO_RAISE_ERROR_INFO( ePdfError_InvalidHandle, "Cannot create font!" );
}
pCurFont = pDocument->GetFont( pFont );
if( !pCurFont )
{
fprintf( stderr, "WARNING: Unable to create font for object %i %i Rn",
pFont->Reference().ObjectNumber(),
pFont->Reference().GenerationNumber() );
}
}
else if( strcmp( pszToken, "Tj" ) == 0 ||
strcmp( pszToken, "'" ) == 0 )
{
AddTextElement( dCurPosX, dCurPosY, pCurFont, stack.top().GetString() );
stack.pop();
}
else if( strcmp( pszToken, """ ) == 0 )
{
AddTextElement( dCurPosX, dCurPosY, pCurFont, stack.top().GetString() );
stack.pop();
stack.pop(); // remove char spacing from stack
stack.pop(); // remove word spacing from stack
}
else if( strcmp( pszToken, "TJ" ) == 0 )
{
PdfArray array = stack.top().GetArray();
stack.pop();
for( int i=0; i<static_cast<int>(array.GetSize()); i++ )
{
_RPT1(_CRT_WARN, " variant: %s", array[i].GetDataTypeString());
if(array[i].IsHexString()) {
if(!pCurFont) {
_RPT1(_CRT_WARN, " : Could not Get font!!%dn", i);
}
else {
if(!pCurFont->GetEncoding()) {
_RPT1(_CRT_WARN, ": could not get encodingn",0);
} else {
PdfString s = array[i].GetString();
_RPT1(_CRT_WARN, " : valid :%s ", s.IsValid()?"yes":"not");
_RPT1(_CRT_WARN, " ;hex :%s ", s.IsHex()?"yes":"not");
_RPT1(_CRT_WARN, " ;unicode: %s ", s.IsUnicode()?"yes":"not");
PdfString unicode = pCurFont->GetEncoding()->ConvertToUnicode(s,pCurFont);
const char* szText = unicode.GetStringUtf8().c_str();
_RPT1(_CRT_WARN, " : %sn", strlen(szText)> 0? szText: "nothing");
}
}
}
else if(array[i].IsNumber()) {
_RPT1(_CRT_WARN, " : %dn", array[i].GetNumber());
}
if( array[i].IsString() )//|| array[i].IsHexString())
AddTextElement( dCurPosX, dCurPosY, pCurFont, array[i].GetString() );
}
}
}
}
else if ( eType == ePdfContentsType_Variant )
{
stack.push( var );
_RPT1(_CRT_WARN, " variant: %sn", var.GetDataTypeString());
}
else
{
// Impossible; type must be keyword or variant
PODOFO_RAISE_ERROR( ePdfError_InternalLogic );
}
}
对于代码,我得到的输出是:
BT
variant: Name
variant: Real
Tf
variant: Number
variant: Number
variant: Number
rg
variant: Real
variant: Number
variant: Number
variant: Number
variant: Real
variant: Real
Tm
variant: Array
TJ
variant: HexString : valid :yes ;hex :yes ;unicode: not : nothing
variant: Number : -7
variant: HexString : valid :yes ;hex :yes ;unicode: not : nothing
variant: Number : -15
variant: HexString : valid :yes ;hex :yes ;unicode: not : nothing
variant: Number : -15
variant: HexString : valid :yes ;hex :yes ;unicode: not : nothing
variant: Number : -11
variant: HexString : valid :yes ;hex :yes ;unicode: not : nothing
variant: Number : -11
variant: HexString : valid :yes ;hex :yes ;unicode: not : nothing
variant: Number : -19
variant: HexString : valid :yes ;hex :yes ;unicode: not : nothing
variant: Number : -11
variant: HexString : valid :yes ;hex :yes ;unicode: not : nothing
variant: Number : -15
variant: HexString : valid :yes ;hex :yes ;unicode: not : nothing
variant: Number : -11
variant: HexString : valid :yes ;hex :yes ;unicode: not : nothing
ET
PDF流对象会这样(很抱歉,但我不允许给你PDF文件(:
q
Q
q
Q
q
q
q
1 0 0 1 37.68 785.28 cm
91.92 0 0 31.44 0 0 cm
/Img1 Do
Q
Q
q
q
1 0 0 1 431.28 780.24 cm
42.72 0 0 7.2 0 0 cm
/Img2 Do
Q
Q
q
BT
/F1 8.88 Tf
0 0 0 rg
0.9998 0 0 1 377.28 704.4 Tm
[<0026>-7<004F>-15<004C>-15<0048>-11<0051>-11<0057>-19<0058>-11<004F>-15<0058>-11<004C>] TJ
ET
Q
q
1 0 0 1 0 0 cm
0.4799 w
0 0 0 RG
377.28 703.44 m
415.2 703.44 l
S
Q
q
BT
/F1 8.16 Tf
0 0 0 rg
0.9998 0 0 1 377.28 687.36 Tm
[<0030>9<0027>-13<002C>-16<0003>1<0026>-13<0032>13<0031>-13<0036>-9<0037>-6<0035>-13<0038>-13<0026>-13<0037>-6<0003>1<0037>-6<0035>-13<0024>-9<0031>-13<0036>-9<0003>1<0028>-9<003B>-9<0033>-9<0028>-9<0035>-13<0037>-6<0003>1<0036>-9<0035>-13<002F>] TJ
ET
PDF文件应在此处或此处找到
1.中心代码部分的原始问题的答案是:
else if( strcmp( pszToken, "TJ" ) == 0 )
{
PdfArray array = stack.top().GetArray();
stack.pop();
for( int i=0; i<static_cast<int>(array.GetSize()); i++ )
{
if( array[i].IsString() )
AddTextElement( dCurPosX, dCurPosY, pCurFont, array[i].GetString() );
}
}
}
问题是:
我注意到
array[i].IsString()
永远不会是真的。这是从TJ运算符获取文本的正确方法吗?
简短的回答:
PoDoFo PdfVariants
中的十六进制字符串由IsHexString()
而不是IsString()
识别。因此,您必须测试两种字符串风格:
if( array[i].IsString() || array[i].IsHexString() )
答案很长:
PDF中有两种基本风格的字符串:
字符串对象应采用以下两种方式之一书写:
作为括在括号((中的文字字符序列(使用LEFT PARENTHESIS(28h(和RIGHT PARENTHEESIS(29h((;参见7.3.4.2,";文字字符串">
作为包含在尖括号<gt;(使用LESS-THAN标志(3Ch(和GREATER-THAN标志(3Eh((;参见7.3.4.3,";十六进制字符串">
(ISO 32000-1第7.3.4节(
PoDoFo模型都使用PdfString
类,在解析的上下文中,该类通常封装在PdfVariant
中,甚至更具体地说,封装在PdfObject
中。
然而,当确定其中包含的对象的类型时,PdfVariant
区分了文字字符串和十六进制字符串:
/** returns true if this variant is a string (i.e. GetDataType() == ePdfDataType_String)
*/
inline bool IsString() const { return GetDataType() == ePdfDataType_String; }
/** returns true if this variant is a hex-string (i.e. GetDataType() == ePdfDataType_HexString)
*/
inline bool IsHexString() const { return GetDataType() == ePdfDataType_HexString; }
(PdfVariant.h(
PdfVariant
内部的PdfString
的类型在包装时确定:
PdfVariant::PdfVariant( const PdfString & rsString )
{
Init();
Clear();
m_eDataType = rsString.IsHex() ? ePdfDataType_HexString : ePdfDataType_String;
m_Data.pData = new PdfString( rsString );
}
(PdfVariant.cpp(
在TJ参数数组组件的情况下,有问题的字符串读取为十六进制字符串。
因此,在您的代码中,您必须同时考虑IsHexString()
和IsString()
:
if( array[i].IsString() || array[i].IsHexString() )
2。此后,在修改代码以使用IsHexString(),
进行检查后,问题集中在上
PdfString s = array[i].GetString();
_RPT1(_CRT_WARN, " : valid :%s ", s.IsValid()?"yes":"not");
_RPT1(_CRT_WARN, " ;hex :%s ", s.IsHex()?"yes":"not");
_RPT1(_CRT_WARN, " ;unicode: %s ", s.IsUnicode()?"yes":"not");
PdfString unicode = pCurFont->GetEncoding()->ConvertToUnicode(s,pCurFont);
const char* szText = unicode.GetStringUtf8().c_str();
_RPT1(_CRT_WARN, " : %sn", strlen(szText)> 0? szText: "nothing");
以及
s.GetLength()
返回2,unicode.GetLength()
返回0,转换不起作用?
对示例文档Document2.pdf的分析表明,该文档确实包含文本提取所需的信息。该文档中唯一使用十六进制编码的字体是/F1,其字体字典中确实包含适当的/ToUnicode映射,用于可靠的文本提取。
然而,不幸的是,PoDoFo似乎还没有正确实现使用该映射进行解析。我在任何地方都看不到它检索/ToUnicode映射以使所包含的信息可用于文本解析。看起来PoDoFo无法使用Type0(也称为复合字体(正确解析文档的文本。
- Mongodb c++驱动程序:如何查询元素的数组
- 将数组的地址分配给变量并删除
- 从C++本机插件更新Vector3数组
- lambda参数转换为constexpr技巧,然后获取带链接的数组
- 将数组作为参数传递给函数安全吗?作为第三方职能部门,可以探索他们想要的之外的其他元素
- 数组索引的值没有增加
- 将对象数组的引用传递给函数
- 为char数组调整zlib-zpipe
- 2D数组来自文本输入,中间有空格
- std::向量与传递值的动态数组
- 在c++中用vector填充一个简单的动态数组
- 使用strcpy将char数组的元素复制到另一个数组
- 使用指针从C++中的数组中获取最大值
- C++使用整数的压缩数组初始化对象
- 告诉一个 const char 数组,除了编译时 C 样式的字符串外,它不以 '