使用 docsplit 从内存中的文档中提取文本答案

【问题标题】：Extract text from document in memory using docsplit使用 docsplit 从内存中的文档中提取文本
【发布时间】：2013-04-29 18:54:16
【问题描述】：

使用docsplit gem，我可以从 PDF 或任何其他文件类型中提取文本。例如，使用以下行：

 Docsplit.extract_pages('doc.pdf')

我可以拥有 PDF 文件的文本内容。

我目前正在使用 Rails，PDF 是通过请求发送并存在于内存中的。查看 API 和源代码，我找不到从内存中提取文本的方法，只能从文件中提取。

有没有办法获取此 PDF 的文本以避免创建临时文件？

如果重要的话，我正在使用attachment_fu。

【问题讨论】：

标签： ruby-on-rails ruby attachment-fu docsplit

【解决方案1】：

使用临时目录：

require 'docsplit'

def pdf_to_text(pdf_filename)
  Docsplit.extract_text([pdf_filename], ocr: false, output: Dir.tmpdir)

  txt_file = File.basename(pdf_filename, File.extname(pdf_filename)) + '.txt'
  txt_filename = Dir.tmpdir + '/' + txt_file

  extracted_text = File.read(txt_filename)
  File.delete(txt_filename)

  extracted_text
end

pdf_to_text('doc.pdf')

【讨论】：

【解决方案2】：

如果你有字符串中的内容，使用StringIO创建一个IO可以读取的类文件对象。在StringIO中，无论内容是真文本还是二进制，都一样。

查看以下任一：

新的（字符串=“”[，模式]）使用字符串和模式创建新的 StringIO 实例。 open(string=""[, mode]) {|strio| ...} 等价于 ::new，除了当它被一个块调用时，它产生新实例并关闭它，并返回从块返回的结果。

【讨论】：

其实这不是我想要的。 Docsplit 需要一个文件路径作为输入，而我不能从 stringio 获得它。输出也是一样。
如果您需要一个文件路径，您将不得不将其写入磁盘。 Tempfile 可以工作，或者正常的File.write 后跟File.delete。