matlab pdf 转txt,pdf转中文txt - osc_xgk2otgu的个人空间 - OSCHINA - 中文开源技术交流社区...

最近项目需要实现根据关键字搜索pdf内容，实现思路就是提取pdf文本，然后进行索引。

工具上选择：

IText 4.16之后采用agpl License，不能用作商用，而且转换中文会有乱码问题,

pdfsharp 采用MIT License，权限上没有问题，但是转换中文也会有乱码,

最后决定采用xpdf.

需要下载对应的xpdf包，本人采用的windows x64 版本

此外还要下载中文字符集包：简体中文字符集

包准备工作如下：

在合适目录创建xpdf文件夹

将下载的包解压并将bin64文件夹下的pdftotext.exe 拷贝到xpdf文件夹下

解压中文字符集后进入文件夹继续解压xpdf-chinese-simplified.tar，在解压后的xpdf-chinese-simplified文件夹拷贝到xpdf下

在xpdf文件夹下创建xpdf的字符加载文件xpdfrc

打开xpdf文件夹下的子文件chinese-simplified里的add-to-xpdfrc，将里面内容copy到xpdfrc

将xpdf文件夹copy到项目合适位置实现功能，这里只演示单个文件的转换工作，本人是将xpdf访问asp.mvc启动工程的根目录下进行测试的(文件路径有空格一定要加双引号)

1 public ActionResult Search(stringkeyword)2 {3 var rooPath = Server.MapPath("~/");4 ProcessStartInfo startInfo = newProcessStartInfo5 {6 UseShellExecute = false,7 WindowStyle =ProcessWindowStyle.Normal,8 RedirectStandardInput = true,9 RedirectStandardOutput = true,10 RedirectStandardError = true,11 CreateNoWindow = false,12 WorkingDirectory = string.Format("{0}xpdf", rooPath),13 //FileName = string.Format("{0}xpdf\\pdftotext.exe", rooPath)

14 FileName ="cmd.exe"

15 };16 //pdftotext.exe -layout -enc GBK 你不知道的JavaScript(下卷).pdf

17 var arguments = string.Format("/C pdftotext.exe -layout -enc GBK \"{1}\" \"{2}\"", rooPath, rooPath + @"xpdf\1.pdf", rooPath + @"xpdf\JavaScript.txt");18 //var arguments = string.Format(@"{0}1.pdf", rooPath);

19 startInfo.Arguments =arguments;20 var ss = string.Empty;21

22 using (Process process =Process.Start(startInfo))23 {24

25 process.OutputDataReceived += new DataReceivedEventHandler((object sender, DataReceivedEventArgs e) =>

26 {27 ss +=e.Data;28 });29 process.BeginOutputReadLine();30 using (var error =process.StandardError)31 {32 ss +=error.ReadToEnd();33 }34 //等待退出

35 process.WaitForExit();36 }37

38 returnJson(ss, JsonRequestBehavior.AllowGet);39 }

error 可能会有报字体的错误，但不影响转换，可以忽略：

Syntax Error: Unknown character collection 'DYNA-HK1'

Syntax Error: Unknown character collection 'DYNA-HK1'

下面再附上工程目录：

原文出处：https://www.cnblogs.com/xnguo/p/10703157.html