从PDF中提取文本

Question

我试图使用此处的代码从PDF文件中提取文本。 该代码使用zlib库。

AFAICT程序的工作原理是在pdf文件中找到文本“stream”和“endstream”的出现之间的内存块。 然后通过zlib对这些块进行充气。

代码在一个示例pdf文档上完美运行，但在另一个示例中，zlib的inflate inflate()函数每次调用时都会返回-3（Z_DATA_ERROR）。

我注意到，失败的pdf文件被设置为在Adobe Reader中打开时没有“复制”选项。 这可能与inflate()错误有关吗？...如果是，是否有解决问题的办法？

下面的代码片段 - 请参阅注释

            //Now use zlib to inflate:
            z_stream zstrm; ZeroMemory(&zstrm, sizeof(zstrm));

            zstrm.avail_in = streamend - streamstart + 1;
            zstrm.avail_out = outsize;
            zstrm.next_in = (Bytef*)(buffer + streamstart);
            zstrm.next_out = (Bytef*)output;

            int rsti = inflateInit(&zstrm);
            if (rsti == Z_OK)
            {
                int rst2 = inflate (&zstrm, Z_FINISH); // HERE IT RETURNS -3
                if (rst2 >= 0)
                {
                    //Ok, got something, extract the text:
                    size_t totout = zstrm.total_out;
                    ProcessOutput(fileo, output, totout);
                }
            }

编辑：我通过名为zamzar的在线pdf到文本转换器测试了“加密”pdf中的文本提取，结果文本文件非常完美。 所以要么zamzar有一些超级解密系统......或者也许它不是很难。

编辑：刚刚发现A-pdf也没有问题转换为文本。

Answer 1

PDF中的流不需要用flate编码。 它们可以编码为：

1. 没有
2. LZW
3. Flate
4. ASCII85
5. Crypt（可能是几种不同算法之一）

而且（惊喜，惊喜）这些方法中的任何一种都可以叠加在一起！

如果没有复制选项，则可能使用所有者密码和用户密码进行加密。 这允许作者创建应该由读者尊重的访问权限，包括：

1. 修改文档内容
2. 复制文本/图形
3. 添加/编辑注释
4. 印花
5. 填表
6. 组装文档（插入，删除页面，创建书签，缩略图）
7. 高/低质量打印

这种从PDF中获取文本的特殊方法充满了错误，我可以为您提供一组文档，由于字体重新编码，分割文本，奇怪的位置，您将无法使用这些文档，形成XObjects，异常转换等。

要正确执行此操作，您需要一组更好的工具，这些工具不会对PDF文档的实际格式和结构视而不见。 iText会这样做，DotImage会这样做。

为了让您了解问题的范围，我在Acrobat 1.0中编写了原始文本搜索代码，并且使用了所有可用的内部工具，我花了好几个月的时间来完成它并且代码包括查找文本的能力在不寻常的非直线方向（思考地图），处理连字，重新编码，非罗马字体等。 当我正在编写代码的时候，还有另一位工程师专门花了几年的时间编写一个名为Wordy的代码，为全文提取和索引编写类似的东西（但更复杂）（有关Wordy的更多信息，请参阅此答案 ） 。

Answer 2

如果没有“复制”选项，则pdf被加密，流也是如此。 普通的zlib不起作用，你必须首先解密pdf，现在你正在使用一个合适的库来提取文本，有很多编码需要注意，并不是所有的都是win ansi。

Answer 3

这是可能的，因为标题与文档的不同之处在于，为此，请参阅ZLib Inflate（）与-3 Z_DATA_ERROR失败的相关问题。