xml阅读器_利用开源pdf阅读器SumatraPDF抽取文本（2）

上次我介绍了，利用内部工程enginedump可以直接将一个pdf导出包括每页信息的xml文件，本文介绍另一种方法，可以将pdf导出成xml(这个xml将会包括更为详细的内容)还可以倒出成html等等格式, 话不多说，直接介绍方法：

本次我自己新建了一个工程 pdfextract ，因为在已有的工程里并没有找到调用相关接口进行转换的代码，所以我根据接口，做了如下尝试：

新建的工程如下：

这个工程，主要是用到了 enginepdf这个模块，我在enginepdf中加了个save方法：

注意，这里可以传入格式，我在这里倒出html， 具体的格式有多种:

if (!fz_strcasecmp(format, "cbz"))

return fz_new_cbz_writer_with_output(ctx, out, options);

#if FZ_ENABLE_PDF

if (!fz_strcasecmp(format, "pdf"))

return fz_new_pdf_writer_with_output(ctx, out, options);

#endif

if (!fz_strcasecmp(format, "pcl"))

return fz_new_pcl_writer_with_output(ctx, out, options);

if (!fz_strcasecmp(format, "pclm"))

return fz_new_pclm_writer_with_output(ctx, out, options);

if (!fz_strcasecmp(format, "ps"))

return fz_new_ps_writer_with_output(ctx, out, options);

if (!fz_strcasecmp(format, "pwg"))

return fz_new_pwg_writer_with_output(ctx, out, options);

if (!fz_strcasecmp(format, "txt") || !fz_strcasecmp(format, "text"))

return fz_new_text_writer_with_output(ctx, "text", out, options);

if (!fz_strcasecmp(format, "html"))

return fz_new_text_writer_with_output(ctx, format, out, options);

if (!fz_strcasecmp(format, "xhtml"))

return fz_new_text_writer_with_output(ctx, format, out, options);

if (!fz_strcasecmp(format, "stext"))

return fz_new_text_writer_with_output(ctx, format, out, options);

咱试了两个，一个html, 一个xml，stext其实就是xml一样，

这里html有一个问题，发现 pdf中的table边框丢失了，这个问题暂时还没有找到是什么原因，也有可能是这个倒出功能不支持，但是因为它是pdf阅读器，所以这个信息肯定有，只是暂时还不知道怎么把这个边框信息导出来，后续有时间再研究，读者朋友如果有知道的，请留言告诉我。这里的xml与之前用第一种方法导出的格式也不一样，这个就更详细了，它把具体每一行，文本的asc编码，字体，颜色等等，都导出来了，具体上图：