Gibt es einen PDF-Parser für PHP?

Habe ich geschrieben, bevor (für ähnliche Bedürfnisse), und ich kann sagen: Spaß Haben. Es ist eine sehr komplexe Aufgabe. Die PDF-Spezifikation ist groß und unhandlich. Es gibt mehrere Methoden zum speichern von text in es. Und der Clou ist, dass jede PDF-generator ist anders, wie es funktioniert. Während also so etwas wie TFPDF oder DOMPDF schafft WIRKLICH einfach zum Lesen von PDFs (aus einer Maschine-Sicht), Acrobat macht wirklich höllischen Dokumente.

Der Grund dafür ist, wie Sie schreibt den text. Die meisten DOM-basierten Renderer --, die ich verwendet habe-- schreiben die gesamte Zeile als ein string, und positionieren Sie es einmal (das ist wirklich leicht zu Lesen). Acrobat versucht, effizienter zu sein (und es ist) durch das schreiben von nur einer oder vielleicht ein paar Zeichen in einer Zeit, und positionieren Sie Sie unabhängig voneinander. Während dieser WIRKLICH vereinfacht rendering, es macht das Lesen sehr VIEL schwieriger.

Die Seite bis hier, ist dass das PDF-format selbst ist wirklich einfach. Sie haben die "Objekte", die Folgen einer regulären syntax. Dann können Sie miteinander verknüpfen zu generieren die Inhalte. Die Spezifikation macht einen guten job bei der Beschreibung der Datei format. Aber die wirkliche Welt Lesen, wird ein bisschen von brain power...

Einige hilfreiche Ratschläge, die ich hatte auf die harte Tour lernen, wenn Sie gehen, um es selbst schreiben:

1. Adobe mag, um re-map fonts. So Zeichen 65 wird wahrscheinlich nicht A... Sie müssen zu einem map-Objekt ableiten, was es tut, je nachdem, welche Zeichen drin sind. Und es ist effizient, denn wenn ein Charakter erscheint nicht im Dokument, die schriftart, die es nicht (das macht das Leben schwer, wenn Sie versuchen, programmgesteuert Bearbeiten von PDF -)...
2. Schreiben es so Abstrakt wie möglich. Schreiben Sie Klassen für jeden Objekttyp und jede einheimische Art (strings, zahlen, etc.). Lassen Sie sich diese Klassen analysieren für Sie. Es wird eine faire bisschen Wiederholung drin, aber du sparst dir am Ende, wenn Sie erkennen, dass Sie brauchen, um etwas zwicken nur für einen bestimmten Typ)...
3. Schreiben für eine bestimmte version oder zwei der PDF-Spezifikation, und es durchzusetzen. Überprüfen Sie die Versionsnummer, und wenn es ist höher als erwartet, Kaution... Und nicht versuchen zu "make it work". Wenn Sie möchten, unterstützen neuere Versionen, brechen Sie die Spezifikation und Aktualisierung der parser von dort. Versuchen Sie nicht, zu Versuch und Irrtum den Weg nach oben (es ist nicht lustig)...
4. Glück mit komprimierten streams. Ich habe festgestellt, dass in der Regel Sie können nicht Vertrauen die Länge Argumente, um zu überprüfen, was Sie Dekomprimieren. Manchmal (für einige Generatoren) klappt es gut... den Anderen ist es verfehlt, von einem oder mehr bytes. Ich habe gerade versucht zu entlüften, wenn der filter zutrifft, und erzwingen Sie dann die Länge...
5. Bei der Prüfung Längen, nicht verwenden strlen. Verwenden mb_strlen($string, '8bit') da es kompensiert für unterschiedliche Zeichensätze (und möglicherweise ungültige Zeichen in anderen charsets).

Ansonsten, viel Glück...

InformationsquelleAutor der Antwort ircmaxell

Haben Sie schon angeschaut xPDF ? Es gibt ein Programm namens pdftotext, wird die Konvertierung zu tun. Sie können es aufrufen, PHP und Lesen Sie dann in der text-version der PDF-Datei. Sie müssen die Fähigkeit zum ausführen von exec() oder system() aus php, so kann dies nicht auf alle gehosteten Lösungen obwohl.

Außerdem gibt es einige Beispiele auf der PHP-site konvertieren von PDF in text, obwohl seine ziemlich rau. Vielleicht möchten Sie versuchen, einige dieser Beispiele, wie gut. Auf, dass PHP-Seite, Suche für luc bei phpt dot org.

InformationsquelleAutor der Antwort ryanday

Zend_Pdf ist Teil der Zend Framework. Ihr Handbuch sagt:

Den Zend_Pdf Komponente ist ein PDF
(Portable Document Format)
manipulation engine. Es laden können,
erstellen, ändern und speichern von Dokumenten.
So kann es helfen, jede PHP-Anwendung
dynamisch PDF-Dokumente erzeugen, indem Sie
ändern von vorhandenen Dokumenten oder
generieren von Grund auf neue.

InformationsquelleAutor der Antwort Bill Karwin

Diese ist die PHP-PDF-parser, die es in zwei Geschmacksrichtungen:

1. Kostenlose version analysieren können PDF-Dateien bis zum format PDF 1.5
2. Kommerzielle add-on analysieren können beliebige PDF-format (bis zu aktuellen 1.9)

InformationsquelleAutor der Antwort lubosdz