是否有PHP的解析器？

Question

嗨，我知道幾個PDF 發電機爲PHP（fpdf，dompdf等） 我想知道的是關於一個解析器。

由於我無法控制的原因，我需要的某些信息僅在pdf 中的表中，我需要提取該表並將其轉換爲數組。

有什麼建議嗎？

Answer 1

看看GhostScript或ITextSharp，這裏有各種各樣的跨平臺版本。

Answer 2

Zend_Pdf是Zend Framework的一部分。其手冊指出：

的Zend_Pdf組分是PDF （便攜式文檔格式） 操縱引擎。它可以加載， 創建，修改和保存文件。 因此，它可以幫助任何PHP應用程序 動態創建PDF文檔 修改現有文檔或 從頭開始生成新文檔。

Answer 3

它實際上可能沒有爲PDF失去那種信息的PDF裏面的一張桌子......

Answer 4

你是否已經看xPDF？在那裏有一個名爲pdftotext的程序可以完成轉換。您可以從PHP中調用它，然後閱讀PDF的文本版本。你需要能夠從php運行exec（）或system（），所以這可能不適用於所有託管的解決方案。

另外，PHP site上有一些例子可以將PDF轉換爲文本，雖然它很粗糙。你也可以嘗試一些這樣的例子。在PHP page上，在phpt dot org處搜索luc。

Answer 5

This是PHP PDF解析器，它存在於兩種形式：

1. 免費版本可以解析PDF文件多達格式PDF 1.5
2. 商業插件能夠解析任何PDF格式（最高電流1.9）

Answer 6

我以前寫過一個（對於類似的需求），我可以這樣說：玩得開心。這是一項相當複雜的任務。 PDF specification是龐大而笨拙的。有幾種存儲文本的方法。最引人注目的是每個PDF生成器在工作方式上都有所不同。因此，雖然像TFPDF或DOMPDF這樣的東西創建真正容易閱讀PDF（從機器的角度來看），但Acrobat製作了一些非常地獄般的文檔。

原因是它如何寫文本。大多數基於DOM的渲染器 - 我已經用它 - 將整行寫成一個字符串，並將其定位一次（這非常容易閱讀）。 Acrobat試圖通過一次只寫入一個或幾個字符來更高效地（並且是），並獨立地定位它們。雖然這真的簡化了渲染，但它使閱讀更加困難。

這裏的優勢在於PDF格式本身非常簡單。你有遵循常規語法的「對象」。然後，您可以將它們鏈接在一起以生成內容。該規範在描述文件格式方面做得很好。但現實世界讀書是要採取一些腦力...

建議一些有用的作品，我有學習困難的方式，如果你要自己編寫：

1. 的Adobe喜歡重新映射字體。所以字符65可能不會是A ...您需要找到一個地圖對象並根據其中的字符推斷它正在做什麼。而且它是有效的，因爲如果一個字符沒有出現在該字體的文檔中，它就不包含它（如果你嘗試以編程方式編輯一個PDF，這會使生活變得困難）...
2. 把它寫成抽象可能。爲每個對象類型和每個本地類型（字符串，數字等）編寫類。讓這些類爲你解析。在那裏會有一些重複，但是當你意識到你只需要調整某種特定類型的東西時，你就可以節省自己）...
3. 寫一個特定的版本或兩個PDF規範，並執行它。檢查版本號，如果它比預期的高，請保釋......並且不要試圖「使其工作」。如果你想支持更新的版本，請打破規範並從那裏升級解析器。不要試圖嘗試錯誤的方式（這不是很好玩）...
4. 祝你好運壓縮的流。我發現通常你不能相信長度參數來驗證你正在解壓的東西。有時（對於某些生成器）它工作的很好......其他的它關閉了一個或多個字節。如果過濾器匹配，我只是嘗試縮小它，然後強制長度...
5. 測試長度時，請勿使用strlen。使用mb_strlen($string, '8bit')，因爲它會補償不同的字符集（並允許其他字符集中的潛在無效字符）。

否則，好運...

Answer 7

我使用PDFBox的爲（http://pdfbox.apache.org/）。這個軟件是基於Java和平臺獨立的。它工作快速可靠。你可以通過exec或者shell執行或者通過PHP/Java-Bridge（http://php-java-bridge.sourceforge.net/）