Как с помощью PHP можно распарсить PDF?

Question

[Антон Пискунов]

Задача: открыть документ и получить удобоваримый текст.
Опробовано: всё. Действительно всё, у меня весь гугл в сиреневых ссылках и даже контекстная реклама меня уже жалеет и предлагает купить ридер пдф книг.

Помимо PHP готов использовать любую другую технологию которая даст гарантированный результат. Но все же не хотелось бы уходить от родного для проекта языка.

Хардкорный вариант с написанием парсера с нуля по спекам формата не особо желателен в силу запутанности формата и зоопарка версий.

Comments

[Антон Пискунов]

Варианты:
1. pdftotext -> plainttext
2. pdftohtml -> html, xml
3. habrahabr.ru/post/130601/ — конвертирование в .svg (визуально круто, в коде пока все еще слабо)

Пока нет ничего что бы работало :(

Answer 1

[egorinsk]

Как вы себе представляете такое преобразование, если в PDF текст хранится строками с определенными координатами, а не абзацами, например? Также текст может храниться картинкой или векторным форматом. Таблицы хранятся набором кусков текста и линиями. Заголовок — просто строка текста чуть большего размера.

Чтобы восстановить логическую структуру текста, надо систему вроде той, которая используется в продуктах fineReader. Систем эта сложная и на ее разработку у Abbee ушла куча денег, вряд ли вы сможете решить задачу проще. А без этого максимум, что вы можете вытащить из файла — это набор блоков вида «строчка такого-то текста расположена по таким-то координатам». Текст может быть разбит переносами.

Абзацы, конечно, еще можно из этого как-то восстановить, выстроив строчки по возрастанию координат, но переносы останутся, а любые нестандартные вещи, вроде подписи к картинке, будут ломать этот алгоритм.

Резюмируя, выберите другой исходный формат, или откажитесь от мысли преобразовать PDF в осмысленный текст, преобразуйте его в картинку например. Иначе вы всю жизнь будете дописывать костыли, как только кто-то захочет подснуть вашей системе текст, сверстанный другим способом.

Comments

[Антон Пискунов]

Я прекрасно представляю себе формат и информация в нашем случае не храниться картинкой или вектором. Я представляю сложность данной задачи, но что поделать задача есть и её надо решать.

Answer 2

[plaha]

А если использовать сторонний софт через exec() из php? Транслятор pdf в txt, например

Comments

[Антон Пискунов]

Пока в таком случае я получал plaint text без какой либо возможности понять что является заголовком, а что выделено курсивом и т.п. Просто портянка текста.

upd: желательно что бы это был кроссплатформенный инструмент, а работа через exec с определенной утилитой это чистый linux-way и разработчикам на Win будет довольно неприятно работать с таким кодом который нельзя запустить.

[plaha]

на Win все запустится. Можно посмотреть pdf to html конверторы, возможно они сохранят структуру файла

[Антон Пискунов]

Совершенно всё бьет логическую структуру документа, нет никаких шансов распарсить ту кашу которую генерит 2html конвертор.

Answer 3

[Skull]

Я с помощью pdftohtml конвертировал в XML. Далее c помощью SimpleXMLElement спарсивал 3х страничные оглавления из полученного документа.
Или у вас документ изначально похож на plain text загнанный в pdf

Answer 4

[KEKSOV]

Похожий вопрос обсуждалась тут. К сожалению, автор вопроса никак не прокомментировал применимость приведенных в ответах утилит. Возможно, имеет смысл написать ему личное сообщение с аналогичным вопросом, вдруг, он продвинулся в положительную сторону.

Comments

[Антон Пискунов]

Спасибо, были интересные моменты, но по итогам — рабочего инструмента нет.

Answer 5

[oENDark]

Попробуйте конверт из pdf -> excel, а там уже есть парсеры excel самые разные

Comments

[Антон Пискунов]

Слабо себе представляю как это будет работать. Боюсь будут сильно большие потери в логической части документа и все такая же хрень с машинной обработкой.

Answer 6

[Денис Медведь]

FPDI www.setasign.de/products/pdf-php-solutions/fpdi/

Answer 7

[asm0dey]

Можно запустить демон опеноффиса, он умеет конвертировать pdf в html, насколько я помню. Или в RTF.

Answer 8

[sivabur]

Класс pastebin.com/dvwySU1a

include('class.pdf2text.php');
$a = new PDF2Text();
$a->setFilename('Videographer_RFP.pdf'); //grab the test file at http://www.newyorklivearts.org/Videographer_RFP.pdf
$a->decodePDF();
echo $a->output();

Тока проблемы есть с некоторыми символами сам пока разбираюсь почему
Но тут будет чистый текст.