TL;DR 您几乎肯定不会单独使用库来做到这一点。
更新：一个可行的解决方案（不是一个完美的解决方案！）如下编码，请参阅“实践中”。它需要：
- 定义文本所在的区域；
-
安装和运行命令行工具的可能性，
pdf2json。
为什么不容易
PDF 文件包含排版原语，不是可提取的文本；有时差异很小，您可以通过，但通常只有可提取的文本，易于访问的格式，这意味着文档在美学上看起来“有点错误”，因此为文本提取创建“最佳”PDF的生成器是也少用。
存在一些嵌入排版层和不可见文本层的生成器，允许看到漂亮的文本并拥有好的文本。以 PDF 大小为代价，您猜对了。
在您的示例中，文件中只有漂亮的文本，而网格的存在意味着文本需要正确排版。
所以，在里面，真正要读的是这个。注意圆括号内的字母：
/R8 12 Tf
0.99941 0 0 1 66 765.2 Tm
[(M)2.51003(r)2.805( )-2.16558(A)-3.39556(n)
-4.33056(d)-4.33056(r)2.805(e)-4.33056(w)11.5803
( )-2.16558(S)-3.39556(m)-7.49588(e)-4.33117(e)556]TJ
ET
如果你在里面组装 (s)(i)(n)(g)(l)(e) 字母，你会得到“Mr Andrew Smee”，但是你需要知道在哪里 em> 这些字母 与页面和数据网格相关。您还需要注意空格。上面，在“先生”和“安德鲁”之间有一个明确的空格字符，用括号括起来；但是如果您删除这些空格并修复所有以下字母的偏移量，您仍然会阅读“Mr Andrew Smee”并保存两个字符。 一些 PDF“优化器”会尝试这样做，不考虑偏移，该实体的“文本”字符串将只是“MrAndrewSmee”。
这就是为什么大多数无法轻松管理字符偏移的文本提取库（它们使用“文本行”，而且总体上不关心网格）会给你类似的东西
Mr Andrew Smee 505738 12/04/54 (61
或者，在“优化”文本的情况下，
MrAndrewSmee50573812/04/54(61
（这仍然给出了用正则表达式解析的危险错觉——有时是，有时不是，大多数时候它可以工作 95%时间，这样剩下的 5% 就变成了地狱的维护噩梦），但更重要的是，他们将无法获得您除以单元格的药物详细时间表的内容。
任何与空间相关的信息（例如，如果将名称写在左侧的“From”或右侧的“To”框中，则具有不同的含义）要么会丢失，要么难以重构。
有一些PDF“保护”方案利用了偏移文本的能力，并且会打乱字符串。使用偏移量，您可以编写：
9 l 10 d 4 l 5 1 H 2 e 3 l o 6 W 7 o 8 r
PDF 查看器会显示“Hello World”；但是直接阅读文本，你会得到“ldlHeloWor”，或者更糟。您可以添加恶意文本并将其放置在页面之外，或者以透明颜色书写，以恶作剧成功删除 PDF 文件的易于删除的可选复制粘贴保护的人.大多数图书馆会愉快地把恶作剧文本和好文本一起吸走。
尝试使用大多数库，以及为什么它可能有效（但可能无效）
诸如 XPDF（及其包装器 phpxpdf、pdf2html 等）之类的库将为您提供这样的简单调用
// open PDF
$pdfToText->open('PDF-book.pdf');
// PDF text is now in the $text variable
$text = $pdfToText->getText();
$pdfToText->close();
您的“文本”将包含所有内容，类似于：
...
START DATE START DAY
WEEK 1 WEEK 2 WEEK 3 WEEK 4
DATE 28 29 30 01 02 03 04 05 06 07 08 09 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
19/10/15
Medication Details
Commencing
D.O.B
Doctor
Hour:Dose 1 2 3 4 5 6 7 1 2 3 4 5 6 7 1 2 3 4 5 6 7 1 2 3 4 5 6 7
Patient
Number
Period
MEDICATION ADMINISTRATION RECORD SHEETS Pharmacy No.
Document No.
02392 731680
28
0900 1
TAKE ONE ONCE DAILY FOR LOW MOOD.
CAUTION:YOUR DRIVING REACTIONS MAY BE IMPAIRED.
28
FLUOXETINE 20MG CAPS
Received Quantity returned quant. by destroyed quant. by
所以，阅读以上内容，问问自己 - 28 秒是多少？不看PDF能分辨是收货量、退货量、毁损量吗？当然，如果只有一个数字，很可能是收到的数量。变成了赌注。
02392 731680 是文件号吗？看起来是（不是）。
另请注意，在 PDF 中，药物名称位于注释之前。在提取的文本中，它是在之后。通过查看 PDF 中的偏移量，您就明白了原因，这甚至是一个不错的决定——但是查看提取的文本，就不是那么容易了。
所以，自动分析看起来很诱人，但正如我所说，这是一项风险很大的业务。它是脆弱：有人在文档的某处输入了错误的（对您而言）文本，有时甚至不按顺序填写字段，都会生成视觉上的 PDF正确，同时，无法解释。 你要告诉你的用户什么？
有时，可用信息的一个子集足够稳定，您可以完成工作。在那种情况下，XPDF 或 PDF2HTML，一堆正则表达式，半天后你就可以回家了。耶你！请记住，对项目的任何“小”添加都可能不可能。添加了两个在 PDF 中分离良好的数字；它们是 128 和 361，还是 12 和 8361，还是 1283 和 61？你在$text 中得到的只有128361。
因此，如果您这样做，请清楚地记录它，并避免可能难以维持的期望。您的初始项目可能运行得如此之好、如此之快、如此之短，以至于在您不知情的情况下接受了添加——然后您需要完成不可能的事情。解释why the first 95% was easy and the subsequent 5% very hard 可能比你的工作更有价值。
一种困难的方法，它对我有用
但是你可以“手动”做同样的事情吗？毕竟，通过查看 PDF，您知道您所看到的。机器可以做同样的事情吗？ （this 仍然适用）。当然，在这个——毕竟——明确界定的计算机视觉问题中，你很可能可以。它不会是快速和容易的。你需要：
- 一个非常低级的库（或自己阅读 PDF；您只需要先解压缩它，并且有相应的工具，例如
pdftk）。您需要恢复文本坐标。 “住院”的“C”一文不值。 “C, 495.2, 882.7”加上您的网格坐标告诉您 2015 年 10 月 13 日住院 - 那是您所追求的信息！
-
耐心（或工具）来输入文本区域的坐标。您需要告诉系统哪个区域 是 2015 年 10 月 13 日...以及其他所有日子。例如：
// 单元格名称 X1 Y1 X2 Y2 文本
['患者姓名', 60, 760, 300, 790, '' ],
['患者编号', 310, 760, 470, 790, '' ],
...
['Grid01Y01X01', 90, 1020, 110, 1040, ''],
...
请注意，您可以通过编程方式计算其中的许多值：一旦您知道左上角并知道一个单元格的大小，其他值或多或少可以计算，但误差很小。您无需为自己输入六个四个星期的网格，每个六行，每周 7 天。
您可以使用相同的结构创建一个带有红色区域的 PNG，以指示您已经覆盖了哪些单元格。这将有助于直观地检查您是否忘记了任何事情。
此时您解析 PDF，每次在坐标 (x1,y1) 处找到文本时，您都会扫描所有单元格并确定文本应该在哪里（使用 XY 二进制搜索有更快的方法来做到这一点树）。如果您在 66, 765.2 找到“Mr Andrew S”，请将其添加到 PatientName。然后您在 109.2、765.2 找到“mee”，并将其添加到 PatientName。现在读作“Mr Andrew Smee”。
如果水平距离高于某个阈值，则添加一个空格（或多个）。
（对于 非常 小文本，PDF 驱动程序输出的字母可能会乱序并通过字距调整进行更正，但通常这不是问题）。
在整个周期结束时，您将剩下
[ 'PatientName', 60, 760, 300, 790, 'Mr Andrew Smee' ],
[ 'PatientNumber', 310, 760, 470, 790, '505738' ],
等等。
几年前，我为一个大型 PDF 导入项目做过这种工作，而且效果很好。如今，我认为大部分繁重的工作都可以通过TcLibPDF 完成。
痛苦的部分是手工记录，第一次，网格的信息；可能有相应的工具，或者可以使用画布创建一个 HTML5/AJAX 编辑器。
在实践中
大部分工作已经由出色的pdf2json 工具完成，该工具使用“Andrew Smee”PDF，输出如下内容：
[
{
"height" : 1263,
"width" : 892
"number" : 1,
"pages" : 1,
"fonts" : [
{
"color" : "#000000",
"family" : "Times",
"fontspec" : "0",
"size" : "15"
},
...
],
"text" : [
{ "data" : "12/04/54",
"font" : 0,
"height" : 17,
"left" : 628,
"top" : 103,
"width" : 70
},
{ "data" : "28/09/15",
"font" : 0,
"height" : 17,
"left" : 105,
"top" : 206,
"width" : 70
},
{ "data" : "AQUARIUS",
"font" : 0,
"height" : 17,
"left" : 99,
"top" : 170,
"width" : 94
},
{ "data" : " ",
"font" : 0,
"height" : 17,
"left" : 193,
"top" : 170,
"width" : 5
},
{ "data" : "NURSING",
"font" : 0,
"height" : 17,
"left" : 198,
"top" : 170,
"width" : 83
},
...
为了简单起见，我将 Andrew Smee PDF 转换为 PNG 并将其重新采样为 892 x 1263 像素（任何尺寸都可以，只要您跟踪尺寸即可。下面，它们保存在 '宽度”和“高度”）。这样我就可以直接从旧 PaintShop Pro 的状态栏读取像素坐标:-)。
“地址”字段是从 73,161 到 837,193。
我的示例“模板”只有三个字段，因此在 PHP 5.7 中（使用短数组语法，[ ] 而不是 Array()）
<?php
function template() {
$template = [
'Address' => [ 'x1' => 73, 'y1' => 161, 'x2' => 837, 'y2' => 193 ],
'Medicine1' => [ 'x1' => 1, 'y1' => 283, 'x2' => 251, 'y2' => 299 ],
'Details1' => [ 'x1' => 1, 'y1' => 302, 'x2' => 251, 'y2' => 403 ],
];
foreach ($template as $fieldName => $candidate) {
$template[$fieldName]['elements'] = [ ];
}
return $template;
}
// shell_exec('/usr/local/bin/pdf2json "Andrew-Smee.pdf" andrew-smee.json');
$parsed = json_decode(file_get_contents('ann-underdown.json'), true);
$pout = [ ];
foreach ($parsed as $page) {
$template = template();
foreach ($page['text'] as $text) {
// Will it blend?
foreach ($template as $fieldName => $candidate) {
if ($text['top'] > $candidate['y2']) {
continue; // Too low.
}
if (($text['top']+$text['height']) < $candidate['y1']) {
continue; // Too high.
}
if ($text['left'] > $candidate['x2']) {
continue;
}
if (($text['left']+$text['width']) < $candidate['x1']) {
continue;
}
$template[$fieldName]['elements'][] = $text;
}
}
// Now I must reassemble all my fields
foreach ($template as $fieldName => $data) {
$list = $data['elements'];
usort($list, function($txt1, $txt2) {
for ($r = 8; $r >= 1; $r /= 2) {
if (($txt1['top']/$r) < ($txt2['top']/$r)) {
return -1;
}
if (($txt1['top']/$r) > ($txt2['top']/$r)) {
return 1;
}
if (($txt1['left']/$r) < ($txt2['left']/$r)) {
return -1;
}
if (($txt1['left']/$r) > ($txt2['left']/$r)) {
return 1;
}
}
return 0;
});
$text = '';
$starty = false;
foreach ($list as $data) {
if ($data['top'] > $starty + 5) {
if ($starty > 0) {
$text .= "\n";
}
} else {
// Add space
// $text .= ' ';
}
$starty = $data['top'];
// Add text to current line
$text .= $data['data'];
}
// Remove extra spaces
$text = preg_replace('# +#', ' ', $text);
$template[$fieldName] = $text;
}
$paged[] = $template;
}
print_r($paged);
结果（在多页 PDF 上）
Array
(
[0] => Array
(
[Address] => AQUARIUS NURSING HOME 4-6 SPENCER ROAD, SOUTHSEA PO4 9RN
[Medicine1] => ATORVASTATIN 40MG TABS
[Details1] => take ONE tablet at NIGHT
)
[1] => Array
(
[Address] => AQUARIUS NURSING HOME 4-6 SPENCER ROAD, SOUTHSEA PO4 9RN
[Medicine1] => SOTALOL 80MG TABS
[Details1] => take ONE tablet TWICE each day
DO NOT STOP TAKING UNLESS YOUR DOCTOR TELLS
YOU TO STOP.
)
[2] => Array
(
[Address] => AQUARIUS NURSING HOME 4-6 SPENCER ROAD, SOUTHSEA PO4 9RN
[Medicine1] => LAXIDO ORANGE SF 13.8G SACHETS
[Details1] => ONE to TWO when required
DISSOLVE OR MIX WITH WATER BEFORE TAKING.
NOT IN CASSETTE
)
)