CGPDFScannerScan 不会触发回调函数答案

【问题标题】：CGPDFScannerScan doesn't fire callback functionsCGPDFScannerScan 不会触发回调函数
【发布时间】：2012-06-20 10:43:59
【问题描述】：

我使用 Quartz 解析 pdf 文件。

除了一个文件外，一切正常。根本不调用回调函数。

我的运算符表已经创建，我用 CGPDFOperatorTableSetCallback 将运算符添加到其中。一切似乎都很好，只是没有调用回调。

你知道什么会导致这种行为吗？

【问题讨论】：

您是否开始了扫描过程？您在寻找哪些运营商？也许它们不在该特定页面中。
确定我开始扫描过程。我添加了很多操作符，如BT，ET，Tj，TJ，T* ...等。简而言之，文本显示和定位操作符，还有其他操作符。至少他们必须调用 BT 和 ET，因为我在那个文件中有文本。该文件包含一页。
您说：“除了一个文件外，一切正常”。这是否意味着其他 PDF 文件可以工作而只有一个不能工作？
文件可能不包含您要查找的运算符。您在页面上看到的文字可能只是线条和曲线，没有实际文字。或者页面内容可能是需要单独解析的大型 XObject。如果您可以将文件放在某个地方，我可以查看它并为您提供更多详细信息。
我查过了，你是对的。我试图将所有运算符放在表中，结果发现调用了一些回调。以下是具有回调的运算符列表：cs、scn、gs、re、W、n、Do。

标签： objective-c ios pdf quartz-2d cgpdf

【解决方案1】：

页面内容是一个大表单XObject。表单 XObject 是自包含的图形对象，它们使用类似于页面的内容流。
您需要执行以下操作：在扫描的运算符列表中包含“Do”运算符。当遇到它时，它的操作数是 XObject 的符号名。从页面字典中获取“资源”字典。从“资源”字典中获取“XObject”字典。从“XObject”字典中使用与“Do”运算符一起使用的符号名称获取您的 xobject。从 xobject 获取“子类型”键的值。如果它是“图像”，则忽略 xobject，因为它是图像。如果它是“表单”，那么您有一个表单 XObject。从 xobject 获取流并以与扫描页面内容流相同的方式对其进行扫描。您可以重用相同的扫描器类，您只需要保留一个上下文以了解您正在扫描的对象。表单 XObject 可以使用其他表单 XObject，它们位于父表单 XObject 'Resources' 字典中。
您的页面字典如下所示：

<<
/ArtBox[0.0 0.0 768.0 7066.0]
/BleedBox[0.0 0.0 768.0 7066.0]
/Contents 29 0 R
/CropBox[0.0 0.0 768.0 7066.0]
/Group 62 0 R
/MediaBox[0.0 0.0 768.0 7066.0]
/Parent 23 0 R
/Resources
 <<
  /ExtGState<</GS0 30 0 R>>
  /XObject<</Fm0 61 0 R>>
 >>
/Rotate 0
/TrimBox[0.0 0.0 768.0 7066.0]
/Type/Page
>>

“Fm0”是页面内容流中使用的表单 XObject 的名称，是“Do”运算符的操作数。它的资源字典如下所示：

/Resources
 <<
  /ColorSpace<</CS0 32 0 R>>
  /ExtGState<</GS0 34 0 R/GS1 30 0 R>>
  /Font<</T1_0 38 0 R/T1_1 40 0 R>>
  /ProcSet[/PDF/Text]
  /XObject<</Fm0 45 0 R/Fm1 48 0 R/Fm2 51 0 R/Fm3 54 0 R/Fm4 57 0 R/Fm5 60 0 R>>
 >>

如您所见，它使用了其他几种形式的 XObject。

【讨论】：

嗨@iPDFdev，感谢您的评论，我实际上发现，我的pdf文件响应“Do”运算符。我有 2 页，每页调用两次“Do”操作符 PDF 是简单的文本，我想要的只是将这个文本快速提取为字符串，你能给我一些指导吗？这是我的 pdf：filedropper.com/eula_2
@Dzior 像 PDFKitten 这样的库可能会帮助您进行文本提取。
啊，谢谢您的回答，我们实际上让企业主将其更改为文本文件。非常感谢！