从 PDF 中提取文本

Question

我正在尝试使用找到的代码 here 从 PDF 文件中提取文本。该代码使用zlib 库。

AFAICT 该程序通过在 pdf 文件中的文本“stream”和“endstream”出现之间查找内存块来工作。然后这些块被 zlib 膨胀。

该代码在一个示例 pdf 文档上完美运行，但在另一个示例中，zlib 的 inflate() 函数似乎在每次调用时都返回 -3 (Z_DATA_ERROR)。

我注意到，失败的 pdf 文件被设置为在 Adob​​e 阅读器中打开时没有“复制”选项。这可能与inflate() 错误有关吗？...如果是，有没有办法解决这个问题？

下面的代码 sn-p - 见 cmets

            //Now use zlib to inflate:
            z_stream zstrm; ZeroMemory(&zstrm, sizeof(zstrm));

            zstrm.avail_in = streamend - streamstart + 1;
            zstrm.avail_out = outsize;
            zstrm.next_in = (Bytef*)(buffer + streamstart);
            zstrm.next_out = (Bytef*)output;

            int rsti = inflateInit(&zstrm);
            if (rsti == Z_OK)
            {
                int rst2 = inflate (&zstrm, Z_FINISH); // HERE IT RETURNS -3
                if (rst2 >= 0)
                {
                    //Ok, got something, extract the text:
                    size_t totout = zstrm.total_out;
                    ProcessOutput(fileo, output, totout);
                }
            }

编辑：我通过名为zamzar 的在线 pdf 到文本转换器测试了从“加密”pdf 中提取文本，结果文本文件非常完美。因此，要么 zamzar 有一些超级骗子解密系统......或者它可能不是很困难。

编辑：刚刚发现A-pdf也转换成文字没有问题。

Answer 1

PDF 中的流不需要使用 flate 编码。它们可以编码为：

1. 什么都没有
2. LZW
3. 平淡
4. ASCII85
5. Crypt（可能是几种不同算法之一）

而且（惊喜，惊喜）这些方法中的任何一种也可以相互叠加！

如果没有复制选项，很可能它是用所有者密码加密的，没有用户密码。这允许作者创建读者应该尊重的访问权限，包括：

1. 修改文档内容
2. 复制文本/图形
3. 添加/编辑注释
4. 打印
5. 表格填写
6. 组装文档（插入、删除页面、创建书签、缩略图）
7. 高/低质量打印

这种从 PDF 中获取文本的特殊方法充满了错误，我可以为您提供一组文档，由于字体重新编码、拆分文本，您将无法使用您的方法使用这些文档、奇怪的位置、形式 XObject、不寻常的变换等等。

要正确执行此操作，您需要一组更好的工具，这些工具不会对 PDF 文档的实际格式和结构视而不见。 iText 会这样做，DotImage 会这样做。

为了让您了解问题的范围，我在 Acrobat 1.0 中编写了原始文本搜索代码，并使用了所有可用的内部工具，我花了好几个月的时间才把它弄好，代码包括了能力查找不寻常的、非直线方向的文本（想想地图）、处理连字、重新编码、非罗马字体等等。当我在编写该代码时，有另一位工程师花了几年时间全职编写名为 Wordy 的代码，为全文提取和索引做类似（但更复杂）的事情（有关 Wordy 的更多信息，请参阅this answer )。

Answer 2

如果没有“复制”选项，则 pdf 被加密，流也是如此。普通的 zlib 不起作用，您必须先解密 pdf，现在您使用适当的库来提取文本，需要注意很多编码，并非所有内容都是 win ansi。

Answer 3

这是可能的，因为标题与另一个文档不同，对此请参阅相关问题ZLib Inflate() failing with -3 Z_DATA_ERROR。