110,545
社区成员
发帖
与我相关
我的任务
分享有谁知道怎么提取PDF的文字内容么，不能用第三方包。
我苦逼了很久才解析出英文和数字。但是多字节的还不能成功……蛋疼。
谁有这方面经验么？
主要是提取PDF中的文字，需要能提取中文等多字节文字，当然了英文和数字标点什么的也要能够提取。
不能使用第三方的工具包。只能二进制解析。
有经验的大神，指一条明路吧。
...全文
请发表友善的回复…
发表回复
huimark 2012-05-05
- 打赏
- 举报
亲，用xpdf 这个第三方包噻，开源滴
铜臂阿铁木 2012-04-09
- 打赏
- 举报
你们说风凉话铜臂阿铁木 2012-04-09
- 打赏
- 举报
你们说风凉话
crackdung 2012-04-09
- 打赏
- 举报
看你能等多久
lwglucky 2012-04-08
- 打赏
- 举报
搞这个东西有啥商业价值？？
这个东西逆向工程是王道
这个东西逆向工程是王道
just_swizard 2012-04-06
- 打赏
- 举报
1、看有没开源的这方面的软件，然后搞来分析源码
2、找关于pdf结构的文档，根据结构自己解析
3、反编译然后分析代码吧骚年
乱码神马的，无责任猜测或许是经过压缩的字符？总之还是要找文档看这些乱码是咋出来的，然后才好还原~~
2、找关于pdf结构的文档，根据结构自己解析
3、反编译然后分析代码吧骚年
乱码神马的，无责任猜测或许是经过压缩的字符？总之还是要找文档看这些乱码是咋出来的，然后才好还原~~
dotnet90 2012-04-06
- 打赏
- 举报
很好 鼓励
赵4老师 2012-04-05
- 打赏
- 举报
Google Desktop软件自带pdftotext.exe
铜臂阿铁木 2012-04-05
- 打赏
- 举报
[Quote=引用 47 楼 的回复:]
不让你用第三方的人是混蛋，喊他来做就行了
[/Quote]
哈哈 不能这么说。其实也是有原因的，因为要卖自己的产品嘛，只能这么自己来整了。
不让你用第三方的人是混蛋，喊他来做就行了
[/Quote]
哈哈 不能这么说。其实也是有原因的，因为要卖自己的产品嘛，只能这么自己来整了。
Max蚊子 2012-04-05
- 打赏
- 举报
不让你用第三方的人是混蛋，喊他来做就行了
铜臂阿铁木 2012-04-05
- 打赏
- 举报
[Quote=引用 45 楼 的回复:]
引用 42 楼 的回复:
Google Desktop软件自带pdftotext.exe
哦？这个license是什么？我刚刚google了一下，没找到license信息。
[/Quote]
晕，GNU的License。。。这个是不能用的。
引用 42 楼 的回复:
Google Desktop软件自带pdftotext.exe
哦？这个license是什么？我刚刚google了一下，没找到license信息。
[/Quote]
晕，GNU的License。。。这个是不能用的。
铜臂阿铁木 2012-04-05
- 打赏
- 举报
[Quote=引用 42 楼 的回复:]
Google Desktop软件自带pdftotext.exe
[/Quote]
哦？这个license是什么？我刚刚google了一下，没找到license信息。
Google Desktop软件自带pdftotext.exe
[/Quote]
哦？这个license是什么？我刚刚google了一下，没找到license信息。
铜臂阿铁木 2012-04-05
- 打赏
- 举报
[Quote=引用 43 楼 的回复:]
呵呵，你们公司估计不是做插件应用的就是卖自己产品的。
[/Quote]
卖自己产品的 哈哈哈。
不然也不会有这样的需求。
呵呵，你们公司估计不是做插件应用的就是卖自己产品的。
[/Quote]
卖自己产品的 哈哈哈。
不然也不会有这样的需求。
Ninjas_In_Pyjamas 2012-04-05
- 打赏
- 举报
呵呵，你们公司估计不是做插件应用的就是卖自己产品的。
铜臂阿铁木 2012-04-03
- 打赏
- 举报
感谢楼上这么多人回复了，但是公司上的事儿不是说用第三方就用第三方的了。
我研究下吧，研究完了上个apache license，省的其他人再去研究这个了。其他license太蛋疼了，都是个人免费商业收费的。
我先结贴了，大家等我好消息。
我研究下吧，研究完了上个apache license，省的其他人再去研究这个了。其他license太蛋疼了，都是个人免费商业收费的。
我先结贴了，大家等我好消息。
足球中国 2012-04-02
- 打赏
- 举报
pdf文件里可以直接设置具体某些文字的编码方式。
如果你只是为了提取文件。了解一下pdf文件结构。不必要花这么久时间去问应该也写的差不多了。
如果要提取pdf图片上的文字。那需要ocr了。
如果你只是为了提取文件。了解一下pdf文件结构。不必要花这么久时间去问应该也写的差不多了。
如果要提取pdf图片上的文字。那需要ocr了。
orochiheart 2012-04-02
- 打赏
- 举报
为什么不用？ 不用白不用 自己写多累呀
lyyyuna 2012-04-02
- 打赏
- 举报
[Quote=引用 7 楼 的回复:]
我记得研究生都用过的PDF论文都是用代码写的 有一个工具。。你可以去参考那个工具的WIN开头的好像。。
[/Quote]
研究生博士都用的LaTeX，windows下用的是winedt编辑器。
我记得研究生都用过的PDF论文都是用代码写的 有一个工具。。你可以去参考那个工具的WIN开头的好像。。
[/Quote]
研究生博士都用的LaTeX，windows下用的是winedt编辑器。
劼哥stone 2012-04-02
- 打赏
- 举报
PDFSharp也不能用么，C#完全开源的组件，你自己研究明白了，直接把功能拿出来用总可以了吧。
bcc222 2012-04-02
- 打赏
- 举报
用个混淆器，就说这个东西是自己写的不就行了
加载更多回复（32）
