使用 perl 将 pdf 转换为文本答案

【问题标题】：Convert pdf to text using perl使用 perl 将 pdf 转换为文本
【发布时间】：2015-09-13 12:47:28
【问题描述】：

我有一个 pdf 文件，我想将其转换为文本文件。我在 linux 命令行上尝试了 perl perl getpdftotext.exe fileName.pdf 但没有任何反应。我试过CPAN CAM::PDF，但没有运气。

我在

处得到错误 Use of uninitialized value in string eq

C:/Strawberry/perl/site/lib/CAM/PDF.pm line 2362

输出文件为空。

我能够读取 pdf 文件中的页数。 my $num=$pdfone->numPages(); 返回正确的页数。我使用的是 Adobe Reader X 版本 10.1.4。我还尝试了一个渲染器，试图获得一页...第二个 sn-p 我也得到错误未初始化的值。我尝试过不同的pdf文件。我正在使用草莓 perl。

enter code here

use CAM::PDF;
use CAM::PDF::PageText;
use PDF::API2;
    my $pdfone = CAM::PDF->new('WFServlet.pdf');
    my $outfile = "pdfWFServeltRESULT.txt"; 
    my @lines;
    open (OUTF, ">$outfile") || die "Can not open $outfile";

    for my $page (1 .. $pdfone->numPages()) {
       my $text = $pdfone->getPageText($page);
       @lines = split (/\n/, $text);
    }
    :
    : #snippet 2
 use CAM::PDF;
 use PDF::API2;
 use CAM::PDF::PageText;
 :
 my $pageone_tree = $pdfone->getPageContentTree(1);
 my $doc->getPageText(1);
 if (defined $doc) {
    print OUTF CAM::PDF::PageText->render($doc);
 }
 if (defined $pageone_tree) {
    print OUTF CAM::PDF::PageText->render($pageone_tree);
 }

【问题讨论】：

去过那里。然后，我发现了pdftohtml。见“Scraping PDF documents without losing your sanity”。
感谢您的建议。从来没有听说过。明天我在家的时候试试。

标签： perl pdf text

【解决方案1】：

我是 CAM::PDF 的作者，我衷心推荐使用不同的工具来完成这项任务。 :-) 我把文本提取写成一个有趣的实验，很快发现这是一个很难解决的问题。

【讨论】：

【解决方案2】：

Try Apache Tika. 我刚开始使用它为我正在开发的小型搜索引擎提取文本。到目前为止，它已经很不错了。

perl 代码是这样的...

my $text = `java -jar /some/path/tika-app-1.8.jar --text '/some/file'`

【讨论】：

#!/bin/perl use strict;使用警告；使用 Cwd；我的 $tika = "C:/Apache_tiki"; chdir $tika;我的 $here = getcwd(); print "当前目录：$here\n";我的 $myfile="Example.pdf";我的 $text=java -jar tika-app-1.9.jar --text "$myfile";打印“文本：$text\n”；

【解决方案3】：

您为什么要使用 Perl？您可以使用许多其他 pdftotext 工具，它们可以更好地完成这项工作。试试 poppler-utils。最好的 pdf 转换工具之一。

【讨论】：

CAM::PDF 是一项不错的工作。 Apache-tiki 工作正常。我喜欢它的地方在于它可以在 perl 脚本中调用。