【问题标题】：Parse a PDF document with ruby使用 ruby 解析 PDF 文档
【发布时间】：2015-03-23 11:10:53
【问题描述】：

我在一个文件夹中有多个具有特定结构的 PDF 文档：

现在我希望能够解析 PDF 中的信息。请注意，这些段落有不同的长度。

显然我并不是要你为我解决问题，但我确实需要一些关于如何实现这一点的指示。

我以前使用过 nokogiri，从技术上讲，我需要类似的东西，但用于 PDF。

所以我的示例的伪结果如下所示：

- ItemA
  - Title: ItemA
  - File: 123456789.pdf
  - Image: ImageA.png (the image was stored on disk)
  - Subtitle1: Content for subtitle 1
  - Subtitle2: Content for subtitle 2
  - Subtitle3: Content for subtitle 3
- TitleB
  - [...]

【问题讨论】：

尽管您已经仔细措辞，但我认为您最好直接在 beta 站点 softwarerecs.stackexchange.com 上提出软件推荐问题 - 那里有一些 PDF 操作库，它看起来你想要一些可以很好地解析成数据结构的东西。询问“解析 PDF 的最佳 Ruby 库”并在此处使用您的问题中的内容，我认为这是该 SE 网站上一个非常可接受的问题。该库可能会包含示例代码。
@NeilSlater 嘿，尼尔，感谢您的评论。我知道我的问题的风格有点棘手。我确实认为这是一个特定的软件软件工程问题，并且我确实已经发布了自己的答案，以便其他人仍然可以从中受益。
好的，我不认为这是题外话，只是你可能会在另一个网站上得到不同的焦点（工作的最佳工具）答案。如果您要自我回答，那么我认为其他人在 SO 上找到它会非常有用。 “相关”下的最佳链接显然已过时，现在将被视为离题

标签： ruby parsing pdf scripting ocr

【解决方案1】：

pdf-reader 是解决方案之一。但它有时会出现问题，它不会以正确的格式提供文本。我已经用过了。

我会建议使用 docsplit 。您将在 this blog post 中找到有关“pdf-reader”和“docsplit”的更多信息。

希望这会有所帮助。如果需要任何澄清，请随时发表评论。

【讨论】：

我现在正在使用 pdf 阅读器。刚刚遇到一个问题，它在处理上标方面做得不好。 IE。如果有50个上标100，则读作“50100”
是的，docsplit 没有帮助。经过一番努力，我得到了它的工作。 pdf-reader 具有此回调函数，您可以在其库处理之前访问 PDF 中的每一小段数据。所以我使用回调并自己解析它，然后将它与 pdf-reader 中未损坏的其他数据结合起来

【解决方案2】：

获取文本

文本可以很容易地解析成这样：

# gem install pdf-reader
require 'pdf-reader'

reader = PDF::Reader.new('my.pdf')

reader.pages.each do |page|
  puts page.text
end

保存图片

这可以通过同一个库来完成。请参阅示例脚本examples/extract_images.rb。

然而

这是（尚未）完整的答案。接下来的步骤是：

解析文本并查找标题
裁剪图像，可以使用 RMagick 或 Mini Magick 等库来实现。

【讨论】：