Ghostscript轉換PDF並輸出文本文件

Question

1.我需要將PDF文件轉換為txt.file。 我的命令似乎工作，因為我在屏幕上獲得轉換后的文本，但不知何故，我無法將輸出定向到文本文件。

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.有一個unicode speficic .ps嗎？

更新：發布我的完整代碼，可能錯誤在其他地方。

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個問題，2個答案：

1. 要獲取輸出到文件，請在命令行上使用-sOutputFile=/path/to/file ，或添加行

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

   你的c#代碼（可以是第一個參數，但應該在你的第一個"-c" 。但首先要擺脫你已經在那里的其他-sOutputFile東西...... :-)

2. 不，PostScript不了解Unicode。

---

更新

（備注：可靠地從PDF中提取文本（出於各種技術原因）非常困難。它可能根本不起作用，無論你嘗試哪種工具......）

在命令行上，以下兩個應該適用於最近發布的Ghostscript（當前版本是v9.05）。 這將是你自己的工作......

• ...測試哪個命令更適合您的用例，以及
• ...將這些轉換為c#代碼。

1. txtwrite設備：

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

筆記：

1. 如果是64位，您可能希望在系統上使用gswin64c.exe （如果可用）。
2. 輸出的-o語法僅適用於最新版本的Ghostscript。
3. -o語法也隱含地設置了-dBATCH和-dNOPAUSE參數。
4. 如果您的Ghostscript太舊且-o速記不起作用，請將其替換為-dBATCH -dNOPAUSE -sOutputFile=...
5. 即使在Windows上，Ghostscript也可以在路徑參數內處理正斜杠。
6. -dTextFormat默認設置為3 ，因此這里不需要它。 '合法'的價值觀是：
   • 0 ：這將輸出XML轉義的Unicode以及與文本格式相關的信息（位置，字體名稱，磅值等）。 僅供開發人員使用。
   • 1 ：與0相同，但會輸出文本塊。
   • 2 ：輸出帶有BMO（字節順序標記）的Unicode（UCS2）文本; 嘗試近似原始文檔中的文本布局。
   • 3 :( 默認）與2相同，但文本以UTF-8編碼。
7. 帶有這個-dTextFormat修飾符的txtwrite設備是Ghostscript的一個相當新的資產，所以如果找到bug ，請報告錯誤 。

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

筆記：

1. 這是一種與txtwrite設備完全不同的方法，不能與它混合使用！
2. ps2ascii.ps是一個文件 ，是Ghostscript調用以提取文本的PostScript程序。 它通常位於Ghostscript installdir的/lib子目錄中。 去看看它是否真的存在。
3. -dSIMPLE可以由dCOMPLEX替換，以打印出額外的信息行（當前顏色，圖像的存在，矩形填充）。
4. -sstdout=...是必需的，因為ps2ascii.ps PostScript程序僅打印到stdout，不能告訴寫入文件。 所以-sstdout=...告訴Ghostscript將其stdout重定向到一個文件。

3.非Ghostscript方法

不要忽略可能更容易使用的其他非Ghostscript方法。 以下所有內容都是跨平台的，也應該在Windows上可用：

• mudraw -t
  GPL許可（或商業，如果您需要）。 MuPDF的命令行實用程序從PDF中提取文本（由開發Ghostscript的同一組開發人員開發）。
• pdftotext
  GPL許可。 Poppler的命令行實用程序（它是XPDF的一個分支，也提供了pdftotext ）。
• podofotxtextract
  GPL許可。 Commandline實用程序基於PoDoFo PDF處理庫。
• TET
  來自PDFlib.com的文本提取工具包 （商業，但可能是免費供個人使用 - 我沒有檢查最近的新聞）。 可能是它們中最強大的文本提取工具......