有没有人从方正飞腾转换过来的pdf文件中提取过文本？如何提取的啊？

Question

有没有人从方正飞腾转换过来的pdf文件中提取过文本？如何提取的啊？

Answer 1

很多组件可以完成, iTextSharp, PDFBoxes之类的都可以, 也可以自己分析格式提取, 先在以字节的形式把文件读出来, 查找stream和endstream之间的数据, 一般都是压缩了的, 用zlib控件解压后, 字符串一般如下格式stream  BT  /F1 24 Tf  100 100 Td (Hello World) Tj  ET  endstream, 文本就是hello world
然后通过正则表达式可以提取
string pattern = @".*BT\s+/(?<fontName>\w*)\s+(?<fontSize>\d*)\s+(?<fontType>\w*)\s+(?<startXPos>\w*)\s+(?<startYPos>\w*)\s+Td\s+(?<text>.*)tj\s+ET.*";
Regex regex = new Regex(pattern, RegexOptions.IgnoreCase);
Match match = regex.Match(txtContent);
if (match.Success) {
string fontName = match.Groups["fontName"].Value;
string fontSize = match.Groups["fontSize"].Value;
string fontType = match.Groups["fontType"].Value;
string startXPos = match.Groups["startXPos"].Value;
string startYPos = match.Groups["startYPos"].Value;
string text = match.Groups["text"].Value;
}

Answer 2

对于标准的pdf文件，可以通过PDFBoxes提取文本，但对于从方正飞腾转换过来的pdf文件则无法提取，不知道楼上提取过这种ｐｄｆ文件吗？

Answer 3

关于FIT出PS转PDF格式印刷测试报告发布日期：2006-7-28 16:02:30 作者：asnoopy 出处：http://www.aehome.cn 使用软件
北大方正飞腾4.1
北大盗版ADOBE PDFCreator 3.0制作流程
   1.飞腾发排生成PS文件，并将所有图片收集到指定包内，转PDF前，需将PS和当版图片放在同一目录下。
   2.使用北大盗版ADOBE PDFCreator 3.0将PS文件转为PDF，速度马马乎乎，但效果惊人，3600DPI的解析度几乎还原了所有图片效果。色彩鲜艳明亮，有点象MAC的视觉处理效果了。笔者在考虑是否能印刷的出来几个问题
   1.生成的PDF文件个头都不小，不过与原来PS+图片打包来看，PDF大概缩减了20%-40%的文件大小。
   2.对于FIT用所用的渐变图形支持不够，还是出现断线的情况，不知后端印刷是否有问题，正在测试。
   3.文字仍然无法内嵌，PDF出来后，无法直接从PDF文件上提取文字。
   4.笔者三年前曾今尝试用NTRIP挂ADOBE Acrobat 5.0 PRO的PDF打印程序出PDF，效果不错，就是比较慢，没有渐变问题，不知道为什么越做越不兼容了。但是唯一问题就是ADOBE Acrobat 5.0 PRO输出的PDF无法选择CMYK输出格式。后因离开原报社没有再接触到NTRIP所以没有尝试到用ADOBE Acrobat6.0或7.0出PDF的测试。最后总结
   北大的这款ADOBE PDFCreator 3.0，感觉就是翻了网上流传的PDFCreator 3.0的插件，但笔者没有尝试出如何用PDFCreator 3.0直接出PS，毕竟不是一个妈妈生的但是现在的北大的这款ADOBE PDFCreator 3.0已经能够、完全的解决飞腾出PDF直接印刷的需要。符合正规报版印刷标准。（能不能PDF印杂志？这问题我解释不了，因为大家标准不一样啥），并且更重要的一点是——PDF是CMYK格式的。（咱已经等了它N年了）如何解决列出问题中的第３点？？