我正在寻找一种在 Ruby（在 Linux 和 OSX 上）中读取/解析大型 PDF 文件的快速可靠的方法。
到目前为止，我发现了相当古老而简单的PDF-toolkit（pdftotext-wrapper）和PDF-reader，它们无法读取我的大部分文件。虽然这两个库提供了我正在寻找的功能。
我的问题：我错过了什么吗？有没有更适合（更快、更可靠）解决我的问题的工具？
【问题讨论】：
标签： ruby-on-rails ruby pdf pdf-parsing
您可能会发现Docsplit 很有用：
Docsplit 是一个命令行实用程序和 Ruby 库，用于将文档拆分为其组成部分：可搜索的 UTF-8 纯文本、任何格式的页面图像或缩略图、PDF、单页和文档元数据（标题、作者、页数...）
【讨论】：
尝试不同的方法后，我现在使用PDF-Toolkit。它已经很老了，但它快速、稳定且可靠。此外，它真的不需要是新的，因为它只是包装了xpdf commandline utilities。
【讨论】：
您可以使用 JRuby 和 Java PDF 库解析器，例如 ApachePDFBox (https://www.ohloh.net/p/pdfbox)。另见http://java-source.net/open-source/pdf-libraries。
【讨论】：
您看过CombinePDF 库吗？
这是一个纯 ruby 解决方案，允许进行一些 PDF 操作，例如提取页面、将一个 PDF 页面覆盖在另一个页面上、页码、编写基本文本和表格等。
这是一个使用徽标来处理现有 PDF 文件的示例。该示例读取一个 PDF 文件，提取一页用作图章并在另一个 PDF 文件上盖章。
require 'combine_pdf'
company_logo = CombinePDF.load("company_logo.pdf").pages[0]
pdf = CombinePDF.load "content_file.pdf"
pdf.pages.each {|page| page << company_logo}
pdf.save "content_with_logo.pdf"
您还可以标记文本、编号页或使用：
require 'combine_pdf'
pdf = CombinePDF.load "content_file.pdf"
pdf.number_pages #adds page numbers. you can add formatting and placement options.
pdf.pages.each {|page| page.textbox "One Way To Stamp"}
#you can a shortcut method to stamp pages
pdf.stamp_pages "Another way to stamp"
#you can use the shortcut method for both text and PDF stamps
company_logo = CombinePDF.load("company_logo.pdf").pages[0]
pdf.stamp_pages company_logo
# you can use write simple tables
pdf.pages[0].write_table headers: ['first name', 'surname'], table_data: [['John', 'Doe'], ['Mr.', 'Smith']]
pdf.save "content_with_logo.pdf"
它不适用于复杂的操作，但它补充了大多数 PDF 创作库，并允许您使用 PDF 模板而不是从头开始编写整个内容。
【讨论】：
这里有一些选项：
http://en.wikipedia.org/wiki/List_of_PDF_software
通过该链接并搜索 sourceforge，有几个命令行实用程序可以满足您的需求，例如：http://pdftohtml.sourceforge.net/
根据您的要求和 PDF 的外观，您可以考虑使用 Google Docs API（上传 PDF，然后将其下载为文本），或者也可以尝试类似 gocr 的方法。过去我很幸运地使用 gocr 解析图像文本，而您只需跳出到 shell 即可，例如 gocr -i whatever.pdf（我认为它适用于 PDF）。
所有这些的缺点是它们不是纯 Ruby 实现，但许多好的（和免费的）OCR 项目似乎都是以这种方式完成的。
【讨论】：
如果您只需要从 pdf 文件中获取文本内容，sourceforge 中的 pdftohtml 非常有效。 它不适合处理图像。
【讨论】：