在 .txt 文件中查找并替换 pdftotext 生成的图像字符

Question

我使用 PHP 的 pdftotext 从 pdf 创建了很多 .txt 文件。

像这样使用它，它对所有文件中的所有文本部分都非常有效：

system("pdftotext -raw dir/$pdf_file 2>&1");

问题

但是，在新的 .txt 文件中，pdf 中的所有图像都显示为：

• 在 FTP 中打开文件时出现“FF”
• 浏览器中带有 urlencode 的字符 '%0C' (fopen)
• 不带 urlencode (fopen) 的向上箭头
• ^L，当在命令行上使用 less 时（在 CentOs 7 中），即使是单个文件名上的 sed 's/^L//g' 也不起作用。

因此，在所有这些视图中，我可以通过不同的方式来处理这个奇怪的字符。

问题

在尝试了这么多代码一周后，我仍在寻找一种方法来从所有 .txt 文件中找到并删除这个奇怪的图像字符。

有解决办法吗？

或者，在这里做什么是明智的？使用带有代码或在命令行上的 php 文件？我现在对这个有点迷失了。

Answer 1

打印纯文本时的代码约定是 FF 通常意味着 FormFeed 它是打印机的控制代码

↑ 12 00/12 14 %0C FF (CtrL=^L) FORM FEED（分页符）

这是一种指示/弹出页尾的方法，因此您应该在页面之间的分隔处看到一个。

有一个开关可以删除/排除它们，所以试试吧，

system("pdftotext -raw -nopgbrk dir/$pdf_file 2>&1");