Парсер pdf, возможно ли?

Question

[Alister O]

Добрый день, имею файлы в формате пдф, необходимо спарсить их, в документе имеются метки, например автор1, под ним записи, автор2, под ним записи итд. таких меток 8шт. кто нибудь встречал в природе парсер пдф?

Answer 1

[Никита]

Ну так-то можно текст просто вытащить оттуда. с координатами. потом как-то разобрать.
Мы такое делали, но только за деньги)

Answer 2

[TANK_IST]

Можно конвертировать pdf в html, и дальше парсить через phpQuery или подобное.
Сервис для конвертации https://cloudconvert.com/ , есть api.
Утилита https://github.com/coolwanglu/pdf2htmlEX

Answer 3

[Dimonchik]

Fine Reader конвертит в txt, Foxit Reader тоже, относительно бесплатно

Answer 4

[Александр Титов]

Основные проблемы с PDF.
1. Там может быть текст, тогда есть много вариантов, а может быть картинка. Катринку, соответсвенно, какой-то распознавалкой.
2. Даже когда там текст, смысл PDF в показе картинки, поэтому слово может быть словом, может быть отдельными буквами, под видимым текстом может оказаться кусочек "ненужного" невидимого (лично нашел однажды!), который прочитается конвертером.

Answer 5

[profesor08]

Чтоб исключить попадание мусора, советую конвертировать сначала в картинки, да хоть скриншоть, потом через любую распознавалку текста. Еще можно открыть в хроме например и скопировать текст, но это не всегда прокатывает.

Comments

[AVKor]

А чтобы ещё круче было - распечатать на бумаге, отсканировать и уже после этого распознать.