Ghostscript转换PDF并输出文本文件

Question

1.我需要将PDF文件转换为txt.file。 我的命令似乎工作，因为我在屏幕上获得转换后的文本，但不知何故，我无法将输出定向到文本文件。

public static string[] GetArgs(string inputPath, string outputPath)
{ 
    return new[] {
                "-q", "-dNODISPLAY", "-dSAFER",
                "-dDELAYBIND", "-dWRITESYSTEMDICT", "-dSIMPLE",
                "-c", "save", "-f",
                "ps2ascii.ps", inputPath, "-sDEVICE=txtwrite",
                String.Format("-sOutputFile={0}", outputPath),
                "-c", "quit"
    }; 
}

2.有一个unicode speficic .ps吗？

更新：发布我的完整代码，可能错误在其他地方。

public static string[] GetArgs(string inputPath, string outputPath)
{
    return new[]    
    {   "-o c:/test.txt",    
        "-dSIMPLE",
        "-sFONTPATH=c:/windows/fonts",
        "-dNODISPLAY",
        "-dDELAYBIND",
        "-dWRITESYSTEMDICT",
        "-f",
        "C:/Program Files/gs/gs9.05/lib/ps2ascii.ps",               
        inputPath,
    };
}

[DllImport("gsdll64.dll", EntryPoint = "gsapi_new_instance")]
private static extern int CreateAPIInstance(out IntPtr pinstance, IntPtr caller_handle);

[DllImport("gsdll64.dll", EntryPoint = "gsapi_init_with_args")]
private static extern int InitAPI(IntPtr instance, int argc, string[] argv);

[DllImport("gsdll64.dll", EntryPoint = "gsapi_exit")]
private static extern int ExitAPI(IntPtr instance);

[DllImport("gsdll64.dll", EntryPoint = "gsapi_delete_instance")]
private static extern void DeleteAPIInstance(IntPtr instance);`

private static object resourceLock = new object();

private static void Cleanup(IntPtr gsInstancePtr)
{
    ExitAPI(gsInstancePtr);
    DeleteAPIInstance(gsInstancePtr);
}

private static object resourceLock = new object();

public static void ConvertPdfToText(string inputPath, string outputPath) 
{ 
    CallAPI(GetArgs(inputPath, outputPath));
}

public static void ConvertPdfToText(string inputPath, string outputPath) 
{ 
    CallAPI(GetArgs(inputPath, outputPath));
}

private static void CallAPI(string[] args)      
{       
    // Get a pointer to an instance of the Ghostscript API and run the API with the current arguments       
    IntPtr gsInstancePtr;   
    lock (resourceLock)     
    {           
        CreateAPIInstance(out gsInstancePtr, IntPtr.Zero);      
        try
        {
            int result = InitAPI(gsInstancePtr, args.Length, args);                    
            if (result < 0)     
            {
                throw new ExternalException("Ghostscript conversion error", result);        
            }       
        }           
        finally     
        {               
            Cleanup(gsInstancePtr);     
        }       
    }   
}

Answer 1

2个问题，2个答案：

1. 要获取输出到文件，请在命令行上使用-sOutputFile=/path/to/file ，或添加行

    "-sOutputFile=/where/it/should/go", 

   你的c#代码（可以是第一个参数，但应该在你的第一个"-c" 。但首先要摆脱你已经在那里的其他-sOutputFile东西...... :-)

2. 不，PostScript不了解Unicode。

---

更新

（备注：可靠地从PDF中提取文本（出于各种技术原因）非常困难。它可能根本不起作用，无论你尝试哪种工具......）

在命令行上，以下两个应该适用于最近发布的Ghostscript（当前版本是v9.05）。 这将是你自己的工作......

• ...测试哪个命令更适合您的用例，以及
• ...将这些转换为c#代码。

1. txtwrite设备：

gswin32c.exe ^
   -o c:/path/to/output.txt ^
   -dTextFormat=3 ^
   -sDEVICE=txtwrite ^
    input.pdf

笔记：

1. 如果是64位，您可能希望在系统上使用gswin64c.exe （如果可用）。
2. 输出的-o语法仅适用于最新版本的Ghostscript。
3. -o语法也隐含地设置了-dBATCH和-dNOPAUSE参数。
4. 如果您的Ghostscript太旧且-o速记不起作用，请将其替换为-dBATCH -dNOPAUSE -sOutputFile=...
5. 即使在Windows上，Ghostscript也可以在路径参数内处理正斜杠。
6. -dTextFormat默认设置为3 ，因此这里不需要它。 '合法'的价值观是：
   • 0 ：这将输出XML转义的Unicode以及与文本格式相关的信息（位置，字体名称，磅值等）。 仅供开发人员使用。
   • 1 ：与0相同，但会输出文本块。
   • 2 ：输出带有BMO（字节顺序标记）的Unicode（UCS2）文本; 尝试近似原始文档中的文本布局。
   • 3 :( 默认）与2相同，但文本以UTF-8编码。
7. 带有这个-dTextFormat修饰符的txtwrite设备是Ghostscript的一个相当新的资产，所以如果找到bug ，请报告错误 。

2.使用ps2ascii.ps

gswin32c.exe ^
   -sstdout=c:/path/to/output.txt ^
   -dSIMPLE ^
   -sFONTPATH=c:/windows/fonts ^
   -dNODISPLAY 
   -dDELAYBIND ^
   -dWRITESYSTEMDICT ^
   -f /path/to/ps2ascii.ps ^
    input.pdf

笔记：

1. 这是一种与txtwrite设备完全不同的方法，不能与它混合使用！
2. ps2ascii.ps是一个文件 ，是Ghostscript调用以提取文本的PostScript程序。 它通常位于Ghostscript installdir的/lib子目录中。 去看看它是否真的存在。
3. -dSIMPLE可以由dCOMPLEX替换，以打印出额外的信息行（当前颜色，图像的存在，矩形填充）。
4. -sstdout=...是必需的，因为ps2ascii.ps PostScript程序仅打印到stdout，不能告诉写入文件。 所以-sstdout=...告诉Ghostscript将其stdout重定向到一个文件。

3.非Ghostscript方法

不要忽略可能更容易使用的其他非Ghostscript方法。 以下所有内容都是跨平台的，也应该在Windows上可用：

• mudraw -t
  GPL许可（或商业，如果您需要）。 MuPDF的命令行实用程序从PDF中提取文本（由开发Ghostscript的同一组开发人员开发）。
• pdftotext
  GPL许可。 Poppler的命令行实用程序（它是XPDF的一个分支，也提供了pdftotext ）。
• podofotxtextract
  GPL许可。 Commandline实用程序基于PoDoFo PDF处理库。
• TET
  来自PDFlib.com的文本提取工具包 （商业，但可能是免费供个人使用 - 我没有检查最近的新闻）。 可能是它们中最强大的文本提取工具......