PDF：提取与字体相关的文本（linux）答案

【问题标题】：PDFs: Extracting text associated with font (linux)PDF：提取与字体相关的文本（linux）
【发布时间】：2018-08-23 21:47:51
【问题描述】：

我试图解决的一般问题是确定大量 PDF 中有多少文本与不同的字体相关联。我知道我可以使用 pdftotext 和带有 pdffonts 的字体信息从 PDF 中提取文本，但我不知道如何将它们链接在一起。我有 100,000 多个 PDF 需要处理，所以需要一些我可以编程的东西（我不介意商业解决方案）。

【问题讨论】：

我不是要光顾，但你试过用谷歌搜索吗？

标签： pdf fonts text-extraction

【解决方案1】：

PDFTron PDFNet SDK可以提取所有图形操作，包括文本对象，包括正在使用的字体的链接。

从 ElementReader 示例开始，您可以获得每个文本元素的字体。 https://www.pdftron.com/documentation/samples?platforms=windows#elementreader https://www.pdftron.com/api/PDFNet/?topic=html/T_pdftron_PDF_Font.htm

【讨论】：

感谢您提供此信息。我最终使用了 PDFTron 附带的带有 XML 输出和样式的 pdf2text 工具（pdf2text -f xml --xml_output_styles）。这包含每行文本的字体信息，然后我可以对其进行量化。

【解决方案2】：

Adobe PDF Library - 我公司销售的产品 - 可以做到这一点。

这是示例代码的一部分：

// This callback function is called fpr each PDWord object.
ACCB1 ASBool ACCB2 WordEnumProc(PDWordFinder wfObj, PDWord pdWord, ASInt32 pgNum, void* clientData)
{
    char str[128];
    char fontname[100];

    // get word text
    PDWordGetString(pdWord, str, sizeof(str));

    // get the font name
    PDStyle style = PDWordGetNthCharStyle(wfObj, pdWord, 0);
    PDFont wordFont = PDStyleGetFont(style);
    PDFontGetName(wordFont, fontname, sizeof(fontname));

    printf("%s  [%s]\n", str, fontname);

    return true;
}

这是输出示例：

...
Chapter  [Arial,Bold]
2:  [Arial,Bold]
Overview  [Arial,Bold]
27  [Arial]
...
This  [TimesNewRoman]
book  [TimesNewRoman]
describes  [TimesNewRoman]
the  [TimesNewRoman]
Portable  [TimesNewRoman]
Document  [TimesNewRoman]
Format  [TimesNewRoman]
...

【讨论】：