Как получить бинарные данные каждой страницы Pdf файла?

Question

[Владислав Софиенко]

Всем привет, комрады. Столкнулся с задачей, где мне понадобилось бы пропарсить PDF файл по страницам, но как получить бинарные данные этого PDF файла на PHP типа file_get_contents() только каждой страницы? Думал, что мне поможет PDF Parser, но я не нашёл метода, который мог бы реализовать это.

Answer 1

[ivankomolin]

По сути задачи подобного вида сводятся к следующему:
1. Разбить страницы pdf на отдельные изображения(например с помощью imagemagick)
2. Прогнать изображения через какую-нибудь OCR(например Tesseract)
3. Cпарсить полученные данные

Зачем получать бинарные данные каждой страницы pdf?

Comments

[Владислав Софиенко]

Чтобы потом делать ajax запрос на получение pdf страницы и рендерить при помощи pdf.js. Типа так.

[ivankomolin]

Ну так бы и написали, что вам нужно просто разбить pdf на страницы. Зачем усложнять? Бинарные файлы, парсить... Решение выше было изложено именно для парсинга содержимого pdf. Я неправильно понял.

Для ваших целей в linux есть инструмент pdfseparate например.

[Владислав Софиенко]

ivankomolin, нужно именно средставми php, ибо нужно сразу разбивать при загрузке файла на сервер пользователем и чтобы не зависеть от ОС и прав предоставляемого хостинга.

[ivankomolin]

Именно средствами php это будет очень дорого по ресурсам, но возможно что-то подобное есть. Посмотрите tcpdf например.

Но все же советую воспользоваться быстрыми утилитами предназначенными специально для этого. А запускать утилиты можно и через php, если вы не знали.

P. S.:
Не очень понятно бывает слышать "чтобы не зависеть от ОС".
В вебе 99% случаев такую задачу будут решать на *nix.
И врядли хоть одно из этих решений потом сможет запуститься на win.