Linux 如何将 PDF 转换为文本，以便我可以使用 PHP 解析该文本？
声明：本页面是StackOverFlow热门问题的中英对照翻译，遵循CC BY-SA 4.0协议，如果您需要使用它，必须同样遵循CC BY-SA许可，注明原文地址和作者信息，同时你必须将它归于原作者（不是我）：StackOverFlow
原文地址: http://stackoverflow.com/questions/6451626/
Warning: these are provided under cc-by-sa 4.0 license. You are free to use/share it, But you must attribute it to the original authors (not me):
StackOverFlow
How do I convert a PDF to text so I can parse that text with PHP?
提问by T. Brian Jones
I have PDFs that are mostly simply formatted text. I would like to parse the text with PHP. I realize that the PDF is binary so I need a utility or library to convert it to text.
我的 PDF 主要是简单格式化的文本。我想用 PHP 解析文本。我意识到 PDF 是二进制的，所以我需要一个实用程序或库将其转换为文本。
Any recommendations?
有什么建议吗？
采纳答案by T. Brian Jones
I ended up using XPDF ( which includes pdftotext ). This works great and I use it in production to extract text from millions of PDFs being uploaded to our servers.
我最终使用了 XPDF（包括 pdftotext ）。这很好用，我在生产中使用它从上传到我们服务器的数百万个 PDF 中提取文本。
Below is the install process for Linux CentOS:
以下是 Linux CentOS 的安装过程：
- download version 3.03 from here: http://foolabs.com/xpdf/download.html
- tar -zxvf xpdfbin-linux-3.03.tar.gz ( extract tar.gz )
- create required directories for install ( some or all of these might exist already )
- sudo mkdir /usr/local/man/
- sudo mkdir /usr/local/man/man1/
- sudo mkdir /usr/local/man/man5/
- sudo mkdir /usr/local/etc/xpdfrc/
- move files from extracted folders ( cd into the folder where xpdf was just unzipped )
- move all the executables from the bin64 directory (xpdf, pdftotext ... all the files ) to /usr/local/bin/
- move the sample-xpdfrc file to /usr/local/etc/xpdfrc ( this can be used as is )
- move the manual pages from the doc directory ( *.1 to /usr/local/man/man1/ & *.5 to /usr/local/man/man5/ )
- xpdf should be installed and ready to use
- you can delete the downloaded tar.gz file and the folder where it was unzipped
- 从这里下载 3.03 版：http: //foolabs.com/xpdf/download.html
- tar -zxvf xpdfbin-linux-3.03.tar.gz（提取tar.gz）
- 创建安装所需的目录（其中部分或全部可能已经存在）
- 须藤 mkdir /usr/local/man/
- 须藤 mkdir /usr/local/man/man1/
- 须藤 mkdir /usr/local/man/man5/
- 须藤 mkdir /usr/local/etc/xpdfrc/
- 从提取的文件夹中移动文件（ cd 到刚刚解压 xpdf 的文件夹中）
- 将所有可执行文件从 bin64 目录（xpdf、pdftotext ...所有文件）移动到 /usr/local/bin/
- 将 sample-xpdfrc 文件移动到 /usr/local/etc/xpdfrc （这可以按原样使用）
- 将手册页从 doc 目录（ *.1 到 /usr/local/man/man1/ & *.5 到 /usr/local/man/man5/ ）
- xpdf 应该已安装并可以使用
- 您可以删除下载的 tar.gz 文件和解压后的文件夹
回答by DevelRoot
You can't do that with file_get_contents()because PDF files contain only binary data (no plain text). To read / modify a pdf file you can use some third-party libraries. Take a look at:
你不能这样做，file_get_contents()因为 PDF 文件只包含二进制数据（没有纯文本）。要阅读/修改 pdf 文件，您可以使用一些第三方库。看一眼：
And don't forget
并且不要忘记
回答by Benoit
Third party software can dump the text contents of a PDF file, for example:
第三方软件可以转储 PDF 文件的文本内容，例如：
- xdoc2txt (Windows-only, used in WinMerge plugins)
- pdftotext, part of Xpdf
- xdoc2txt（仅限 Windows，在 WinMerge 插件中使用）
- pdftotext，Xpdf 的一部分
