Как редактировать PDF файлы на php?

Question

[posters]

Можно ли как-то получить содержимое pdf файла и отредактировать его, используя php? PDF представляет собой текст с иллюстрациями (не скан печатного документа).

Answer 1

[Stalker_RED]

Сохранить в pdf в целом можно, хотя придется прилично пошаманить чтобы получить удобоваримое оформление.

А вот прочиттать... вообще можно, есть PDFParser и некоторые другие библиотеки (больше десятка вариаций pdf2text, например). Еще можно в картинку конвертировать (с этим все ок) и через тессеракт прогнать, хоть он и питоновский внутре. Ну или файнридер.

Проблема в том, что все эти читалки-распознавалки дают весьма посредственное качество на выходе. Если только форматирование рассыпется - это вам повезло. Если вдруг нужно табличку распарсить - страдания практически гарантированы.

Comments

[posters]

Еще можно в картинку конвертировать (с этим все ок) и через тессеракт прогнать, хоть он и питоновский внутре. Ну или файнридер.

Это точно не вариант, поскольку выходит далеко за пределы php.
А так, в целом, спасибо за ответ. Позже отмечу решением. Посмотрю, может еще что-нибудь предложат.

[Stalker_RED]

posters, это конечно выходит за пределы, только вот эти пределы вы сами себе ставите. Никто ведь вам не запрещает пользоваться инструментами на других языках)

У этого PDFParser-а есть демо страничка. Загоните туда несколько ваших ПДФ-ок прямо сейчас и посмотрите что он выдаст. У меня например около 5% табличек после распознавания содержат нечитаемые строки, которые менеджеры в итоге вручную вбивают. Ну хоть остальные 95% автоматом пролетают, и то хорошо. Тессеракт дает результаты получше, хотя тоже иногда кашу выдает.

У файнридера есть какой-то механизм шаблонов для однотипных документов, но я еще с ним не разбирался.

[posters]

Stalker_RED,

это конечно выходит за пределы, только вот эти пределы вы сами себе ставите.

Нет, эти пределы мне ставит финансовая целесообразность.

У меня например около 5% табличек после распознавания содержат нечитаемые строки, которые менеджеры в итоге вручную вбивают.

Плохо. У меня там таблички есть, причем с очень специфическим оформлением. Но в моем случае сохранение исходного форматирования один в один не принципиально, лишь бы получилось содержимое правильно прочитать, ФИО заменить на нужные и картинку (лого конкурентов) удалить.

[Stalker_RED]

posters, вы попробуйте распознать. У меня после этого pdfParsera еще несколько автозамен, регулярок, и прочего барахла, чтобы разобраться что к какой ячейке относится, как-то убрать лишние переводы строк, пробелы внутри чисел, и прочую типографию.

Answer 2

[Денис Юрьев]

Редактировать/читать pdf крайне сложно не только на php и идеального способа не существует.
Подробнее о проблеме

Если вы хотите на php генерировать pdf файлы и придумываете велосипед то:

1. php-imagick умеет генерировать svg в pdf
   
2. можете использовать chromium (--headless) или wkhtmltopdf для конвертации html в pdf
   
3. Библиотека FPDF для генерации PDF
   
4. Модуль php-ps для примерно того же