preg_match 在从 PDF 中提取的字符串中一次不匹配超过 1 个字符答案

【问题标题】：preg_match not matching more than 1 character at a time in string extracted from PDFpreg_match 在从 PDF 中提取的字符串中一次不匹配超过 1 个字符
【发布时间】：2016-01-12 04:39:20
【问题描述】：

我使用了一个名为 pdfparser 的库来从 PDF 中提取文本。我成功地这样做了，但是我对提取的文本有一些奇怪的问题。字符串如下所示：

Invoice
Date
1/8/2016
Invoice #
1679105
Bill To
etc...

当我使用 preg_match 匹配单个字符时，例如字母 i，我得到一个大写 I 作为回报，如果我使用 preg_match_all，我得到一个大写和小写字母 I 按你的顺序排列会期望。但是如果我尝试“in”，我什么也得不到，什么时候它应该在“Invoice”中返回“In”。这适用于我在搜索中尝试的任何字母组合。

这就是将 PDF 数据（来自电子邮件附件）转换为 ASCII 字符串的方法：

$parser = new \Smalot\PdfParser\Parser();
$pdf    = $parser->parseContent($body);
$pages  = $pdf->getPages();
$pdfText = "";
foreach ($pages as $pageNum => $page)
    $pdfText .= "\n\tPage $pageNum\n".$page->getText();

这就是在文档中搜索的内容：

$regex = "/invoice/i";
preg_match_all($regex, $pdfText, $test);
echo "<h2>PDF Text</h2><pre>$pdfText</pre>";
echo "<pre><b>Search Results for $regex</b>".print_r($test,1)."</pre>";

这将返回 0 个结果。即使像$regex = "/[0-9]{2,}/" 这样简单的东西也不会返回任何结果

编辑：我复制并粘贴了 $pdfText 在浏览器中显示的文本，然后将其作为字符串粘贴到我的 php 文件中，并使用完全相同的代码进行搜索。搜索效果很好。

编辑 2：找到了问题。但我仍然需要帮助。我使用了函数bin2hex( $pdfText )，发现“发票”这个词的十六进制代码是“0049006e0076006f006900630065”。如果正确表示，它实际上是“496e766f696365”。所以我的PDF字符串中的每个字母之间都有一个十六进制值为“00”的字符。我将如何摆脱它们？

【问题讨论】：

您在$regex = "/invoice/i" 之后缺少一个分号......但假设这不是问题所在......
谢谢，已修复。不过不是问题。
如果你这样做echo htmlentities(print_r($pdfText, true));，pdfText的价值是多少？
看起来和以前一模一样。
试试...preg_replace('/[\x00]/', '', $string);

标签： php regex string pdf

【解决方案1】：

要修复包含不需要的十六进制值的字符，您可以使用此方法替换它。

preg_replace('/\x00/', '', $string);

【讨论】：