关于从PDF文件中提取简单文本的许多问题（有些没有回答，其他问题）。Stackoverflow在解析过程中很清楚地指出，PDF Adobe文档非常清楚：即，在使用CGPDFScanner时，应该使用" BT"one_answers" ET" PDF参考操作员来构建 callbacks 。
Apple文档显示回调示例：
static void op_BT (CGPDFScannerRef s, void *info) {
const char *name;
if (!CGPDFScannerPopName(s, &name))
return;
printf("BT /%sn", name);
}
和，在其他CGPDFScanner命令中，上述呼叫背包是通过首先创建设置的：
myTable = CGPDFOperatorTableCreate();
CGPDFOperatorTableSetCallback (myTable, "BT", &op_BT);
到目前为止都不错，但是Apple文档似乎没有帮助像我这样的低到中间的程序员了解下一步：除了识别文本块（大概是在BT和BE BE BEABLACK之间），什么几个步骤/在回调期间/在/in/infore otalback中需要行以将已确定的文本块捕获到NSString中？
非常感谢。
您应该做的第一件事就是下载PDF参考。如今，这是ISO标准，但是您可以下载Acrobat SDK（http://www.adobe.com/devnet/acrobat.html），其中包含一个也可以为您服务的Adobe副本。
阅读第9章。它会教您一方面，您需要了解文本操作员（TJ，'，"，TJ），另一方面，您需要了解字体和编码。
文本操作员是可以拦截将"字符串"添加到PDF文档的运算符；虽然所有文本运算符必须出现在BT和ET块之间，但我认为拦截这些BT和ET块并没有为您做太多。
字体很重要，因为它们将定义这些操作员使用的字节与实际（Unicode）字符相对应。因此，如果要从PDF文件中得出字节的含义，则需要知道如何使用字体来得出该含义。
一些其他点：
-
不要假设BT和ET对应于实际的文本块或段落，因为您可能会从Indesign或Word等应用程序中知道它。一个文本块可能包含整页或单个字符（或没有）。
-
也有文本状态运算符来确定如何在页面上显示文本。例如，有一些方法可以绘制隐形文本；您可能希望提取这种类型的文本。如果不这样做，您需要支持足够的文本状态操作员，您可以说出差异。
不是一个小任务：）
更新示例PDF
因为在评论中，该问题被完善以指示特定类型的PDF文件的文本提取，所以我添加一些其他信息。
1）查看您引用的PDF文件，您将无法跳过字体/编码问题。示例PDF文件中的字体是子集的，这意味着您在PDF页面描述中没有" clearText"，而是必须通过用于获取有意义文本的字体的编码来映射的索引。
2）可以提取文本，如果您从pdftoolbox中查看以下输出（警告，我非常与此工具相关）：
<page id="33">
<words>
<word txt="Senator">
<parts>
<part tlh="28.3481" tlv="868.534" trh="55.4455" trv="868.534" blh="28.3481" blv="859.902" brh="55.4455" brv="859.902"></part>
</parts>
</word>
<word txt="House,">
<parts>
<part tlh="57.5305" tlv="868.534" trh="82.123" trv="868.534" blh="57.5305" blv="859.902" brh="82.123" brv="859.902"></part>
</parts>
</word>
<word txt="85">
<parts>
<part tlh="84.208" tlv="868.534" trh="92.548" trv="868.534" blh="84.208" blv="859.902" brh="92.548" brv="859.902"></part>
</parts>
</word>
毫无疑问，还有其他可以给出类似（或更好）结果的工具，因此应自行提取文本。
最大的问题是找到您以正确顺序感兴趣的文本。我在这里使用的提取给出了每个"单词"的文本，并且在页面上的位置（边界框）。当您到达表格时，我浏览XML时，挑战将是哪个文本属于哪个表单元格，排和列结束等...
...在某种程度上，这个问题比简单地检测文本行的问题要困难，因为您正在处理一个非常密集的表（在我的问题上很大程度上是一维的（在同一条线上收集所有内容）这个问题是二维。