如何从 PDF 页面获取文本？

Question

如何在 Objective-C 中从 PDF 页面获取文本？

Answer 1

首先 - 放弃任何用于解析 PDF 的“快速而肮脏”的解决方案 - 它会惨遭失败。我的同事花了很多时间试图在 iOS 中正确解决这个问题。他的前 3 个（按质量，降序）选项：

1. muPDF (http://www.mupdf.com/) 很棒的库 - 它可以很好地提取。它是在 GPL 下获得许可的，但这是我们专有应用程序的一个亮点。
2. 基于CGPDFScanner 的自制解决方案。您可以找到有关如何执行此操作的简短说明 here 。这种方法的主要问题是 SDK 本身——Apple 的 PDF API 受到严重限制（我故意怀疑）。例如，您必须在 2D 空间中布置提取的文本块，因为 PDF 不保证绘图顺序与文本流匹配，iOS SDK 在这里没有一点帮助。
3. Poppler (http://poppler.freedesktop.org/) 没问题，但对于文本提取，它大致相当于第二个选项（有大量额外的依赖项）。

Mac OS X 可以有更多选项，但我不知道。

Answer 2

这是适用于 iOS 还是 OS X？如果对于 OS X，您可以简单地创建一个 Automator 工作流程来提取文本，并从您的应用程序中调用该工作流程。 Automator 有一个 PDF 操作“提取 PDF 文本”用于此目的。 Automator framework 允许从您的应用程序调用自动化操作。一些示例代码可以在http://rogueamoeba.com/utm/2005/06/03/ 找到（注意实际代码已经更新以使用 Automator 框架）。