我正在尝试了解 Poppler 及其（缺乏）文档。
我想做的是一件非常简单的事情：打开一个 PDF 文件并阅读其中的文本。然后我将处理文本，但这并不重要。
所以...我看到了poppler_page_get_text 函数，它有点工作，但我必须指定一个选择矩形，这不是很方便。不是有一个非常简单的函数可以按顺序输出 PDF 文本（可能是逐行？）。
【问题讨论】：
./cpp/tests 中包含两个简单的示例程序，说明了所有功能。
标签： c++ pdf text-extraction poppler
您应该可以将选择矩形设置为页面的pageSize/MediaBox并获取所有文本。
我说应该是因为在您开始想知道为什么您会对 poppler_page_get_text 的输出感到惊讶之前，您应该了解文本在页面上的布局方式。所有图形都使用以后缀表示法表示的程序布置在页面上。为了呈现页面，这个程序在一个空白页面上执行。
程序中的操作可以包括，改变颜色，位置，当前变换矩阵，画线，贝塞尔曲线等等。文本由一系列文本运算符布局，这些运算符始终由 BT（开始文本）和 ET（结束文本）括起来。文本在页面上的放置方式或位置由生成 PDF 的软件自行决定。例如，对于打印驱动程序，代码响应 GDI 调用 DrawString 并将其转换为文本绘制操作。
如果你幸运的话，页面上的文本布局合理，字体使用合理，但许多生成 PDF 的程序并不那么好。 Psroff，例如喜欢先放置所有纯文本，然后是斜体文本，然后是粗体文本。单词可能会或可能不会按阅读顺序排列。字体可以重新编码，以便'a' 映射到'{' 或其他。然后，您可能会有多个字符被单个字形替换的连字 - 最常见的是 ae、oe、fi、fl 和 ffl。
有了所有这些，提取文本的过程绝对不是微不足道的，所以如果您发现文本提取的质量很差，请不要感到惊讶。
我曾经在 Acrobat 1.0 和 2.0 中使用文本提取工具 - 正确处理是一个真正的挑战。
【讨论】：
为了记录，我现在正在使用 poppler 这个小程序
#include <iostream>
#include "poppler-document.h"
#include "poppler-page.h"
using namespace std;
int main()
{
poppler::document *doc = poppler::document::load_from_file("./CMI2APIDocV1.4.pdf");
const int pagesNbr = doc->pages();
cout << "page count: " << pagesNbr << endl;
for (int i = 0; i < pagesNbr; ++i)
cout << doc->create_page(i)->text().to_latin1().c_str() << endl;
}
// g++ -I/usr/include/poppler/cpp/ -c poppler.cpp
// g++ -I/usr/include/poppler/cpp poppler.o /usr/lib/x86_64-linux-gnu/libpoppler-cpp.a /usr/lib/x86_64-linux-gnu/libpoppler.a /usr/lib/x86_64-linux-gnu/liblcms2.so /usr/lib/x86_64-linux-gnu/libfontconfig.a /usr/lib/x86_64-linux-gnu/libjpeg.a /usr/lib/x86_64-linux-gnu/libfreetype.a /usr/lib/x86_64-linux-gnu/libexpat.a /usr/lib/x86_64-linux-gnu/libz.a
到目前为止，我对结果非常满意，除了纯文本中的数组和“电子表格”恢复，有时单个单元格可能跨越多行。 （如果有人知道如何避免这种情况？）
【讨论】：