PDF 文档的总页数

Question

MATLAB 提供了extractFileText 函数，它允许我们从 PDF 文件以及其他文件格式中读取文本，并将提取的文本保存为字符串。

我们可以向这个函数传递一个额外的参数，以便从文档的特定页面中提取文本。

例如，从示例exampleSonnets.pdf 文件中提取第 3、5 和 7 页的文本：

str = extractFileText("exampleSonnets.pdf", 'Pages', [3 5 7]);

但是，此功能不提供一种方法来找出 PDF 文档包含的总页数预先。

所以如果我们碰巧做了这样的事情：

str = extractFileText("exampleSonnets.pdf", 'Pages', [99 100]);

抛出以下错误：

Error using extractFileText (line 95)
No page 100 in file. Maximum page number: 47.

警告我们，我们请求的页码超出了文档中的实际总页数。

这很好。

但是，我如何事先知道 PDF 文档中的总页数，而不触发错误，以便我可以安全地将搜索范围缩小到最大页数？

有这个功能吗？

Answer 1

flawr's idea其实很聪明！

实际上，由于最大页码包含在错误信息中，我们可以触发异常（故意要求任何可笑的大页码），捕获它，然后解析错误信息以恢复最大页码.

No page 100 in file. Maximum page number: 47.
                                           ^
                                   This is all we need

所以我们甚至不需要遍历文档的每一页 :)

我继续做了这个简单的numpages 函数：

function [num] = numpages(filename)

% Queried page number. Any big number should do.
bignum = 1e6;

try
    extractFileText(filename, 'Pages', bignum);
catch ME
    if strcmp(ME.identifier, 'textanalytics:extractFileText:NoSuchPage')
        % Extract the Maximum page number from the exception message.
        num = str2double(extractBetween(ME.message, "number: ", "."));
    else
        % Not the exception we are interested in. Rethrow it.
        rethrow(ME);
    end
end

end

测试用例：

>> numpages("exampleSonnets.pdf")

ans =

    47

有效！

Answer 2

我不知道有什么方法可以让你这样做。但是你可以使用try/catch直接处理这种情况，而不需要事先知道页数。

如果您确实需要事先知道页数，您可以遍历页面，直到遇到您使用 try/catch 处理的错误（适用于小型 pdf）或实施例如以类似的方式进行二分搜索。