开始处理PDF(2)

其中pdfdraw可用于转换图像

$ pdfdraw -o out%d.png in.pdf

注意: mupdf不支持Mac OS

xpdf是一个免费的PDF工具包，包括文本解析，图像转换，html转换等.

下载此软件包后，您可以获得一系列工具:

pdfdetach 
pdffonts  
pdfimages 
pdfinfo   
pdftohtml 
pdftopng  
pdftoppm  
pdftops   
pdftotext

从名称中，您可以大致看到每个工具的用处.

## 使用pdftopng将pdf转换成png
$ pdftopng in.pdf out-prefix

我经常遇到一种情况，当读取pdf文件时，我会收到一个错误: 文件已加密

但是如何在没有密码的情况下解决呢？

使用qpdf强制解密，某些情况下可以成功解密，但某些情况下可能无法成功解密.

qpdf是支持命令行的pdf工具

$ qpdf --decrypt in.pdf out.pdf

$ pdfcpu decrypt encrypted.pdf output.pdf

输入密码后，您可以使用密码进行解密:

$ unipdf decrypt -p pass -o output.pdf input.pdf

经常遇到某些情况，例如识别文件是否为pdf文件，识别pdf中的文本，识别pdf中的图片等.

Xpdf用于解析pdf中的文本，然后使用一些字符串操作或正则表达式进行业务分析.

$ pdftotext input.pdf output.txt

$ unipdf extract text input.pdf

使用API​​解析pdf文本，请参考unipdf github示例

上面是先解析pdf文本，然后根据业务进行处理

另一种方法是根据坐标位置解析pdf. 这种方法更加灵活和通用. 它使用pdflib / tet

## 输入一组坐标，即可按照坐标解析pdf中的数据
$ tet --pageopt "includebox={{38 707.93 243.91 716.93}}" input.pdf

可以通过tet将坐标分析为pdf，以获得一个tetml文件，该文件包含坐标信息:

$ tet --tetml input.pdf

当然，您还可以通过其他方式获取pdf中数据的坐标信息，例如nodejs等.

注意: pdflib / tet是付费软件，但根据官方文档，tet提供基本功能，您无需购买许可证即可处理少于10页或少于1M的pdf文件

pdflib / tet为多种语言提供命令行工具和SDK支持，例如C / C ++ / Java / .NET / Perl / PHP / Python / Ruby / Swift，但目前不支持Go语言，因此适用于gopher当前只有两个选项: CLI或CGO

在计算机上打开某些pdf文件后，它们会正常显示，但是代码检测异常，例如尝试使用第三方库在Go中解析（损坏的）pdf:

import (
    "fmt"
    "github.com/rsc.io/pdf"
)
func main() {
    filePath := "path/to/your/broken.pdf"
    _, err := pdf.Open(filePath)
	if err != nil {
		fmt.Println("open pdf failed,err:", err.Error())
		return
	}
}

我将在运行后得到以下结果:

open pdf failed,err: malformed PDF: cross-reference table not found: {5 0 obj}<</Contents 6 0 R /Group <</CS /DeviceRGB /S /Transparency /Type /Group>> /MediaBox [0 0 595.27600098 841.89001465] /Parent 3 0 R /Type /Page>>

计算机正常打开，但是程序读取错误！

这时，如果您尝试在计算机上打开pdf，然后将其另存为新的pdf文件，然后使用代码进行测试，您将发现它已得到修复！

太好了，问题解决了！

等等，如果我有1,000个pdf文件，是否必须一个一个地打开它们并将其另存为？如何忍受呢？因此，如果有批量修复功能，那就太好了

在互联网上寻找了很长时间，我大概得到了三种解决方案:

这里我仅验证了第三种方法是可行的pdflib设置字体，这里我使用mupdf-0.9-linux-amd64版本进行验证

下载软件包后，您将获得以下可执行文件之一: pdfclean

$ pdfclean broken.pdf repaired.pdf
+ pdf/pdf_xref.c:160: pdf_read_trailer(): cannot recognize xref format: '%'
| pdf/pdf_xref.c:481: pdf_load_xref(): cannot read trailer
\ pdf/pdf_xref.c:537: pdf_open_xref_with_stream(): trying to repair

从输出中，mupdf试图对其进行修复.

获取新的pdf文件后，尝试使用以前的Go代码打开它，这是正常的

剩下的就是写一个bash脚本，批量修复，达到目的！

有时，您需要使多个pdf文本的字体保持一致，因此您必须分析pdf中使用的字体. 目前，您可以使用xpdf / pdffonts进行字体分析.

$ pdffonts input.pdf
name                                 type              encoding         emb sub uni object ID
------------------------------------ ----------------- ---------------- --- --- --- ---------
NimbusSanL-Regu                      CID TrueType      Identity-H       yes no  yes     10  0
NimbusSanL-Bold                      CID TrueType      Identity-H       yes no  yes     20  0

这是一个C ++开源库，支持创建pdf，合并pdf，图像水印文本操作等.

对于gopher，要使用此库，您需要封装一层CGO代码.

这是Go中实现的pdf库，可用于读取pdf信息，例如读取pdf内容/页面/字体等...有关详细信息，请参阅文档

引入了如此多的第三方库，它仅仅是各种各样的东西，每一个都有自己的魔力. 大多数库中有些功能是重复的. 具体使用中会遇到什么问题取决于实际情况.

我希望这些结论对读者有帮助

参考:

本文来自电脑杂谈，转载请注明本文网址：
https://www.pc-fly.com/a/jisuanjixue/article-160902-2.html