我有一个 pdf，仅包含文本，没有特殊字符或图像等。 是否有任何 Perl 模块（一直在查看 cpan 无济于事）来帮助我逐行解析每个页面？ （将 PDF 转换为文本会产生不良结果和无法解析的数据）
谢谢，
【问题讨论】：
标签： perl pdf pdf-parsing
当我想从 PDF 中提取文本时，我使用 -xml 输出选项将其提供给 pdftohtml（Poppler 的一部分）。这会生成一个 XML 文件，我使用 XML::Twig（或您喜欢的任何其他 XML 解析器，除了 XML::Simple）来解析它。
The XML format 相当简单。 PDF 中的每一页都有一个 <page> 元素，其中包含描述所用字体的 <fontspec> 元素和每行文本的 <text> 元素。 <text> 元素可能包含用于粗体和斜体文本的 <b> 和 <i> 标记（这就是 XML::Simple 无法正确解析它的原因）。
您确实需要使用<text> 标记的top 和left 属性来使它们以正确的顺序排列，因为它们不一定以从上到下的顺序发出。坐标系在页面的左上角有 0,0，向下和向右是正数。尺寸以 PostScript 磅为单位（每英寸 72 磅）。
【讨论】：