是否有任何方法可以使用libpoppler分别访问页眉、页脚和页面内容

Question

我正在使用libpoppler将PDF文件解析为纯文本，并且我想分别输出页眉、页脚和内容，如何做到这一点？？有什么结构或类可以容纳它们吗？

提前感谢！！

Answer 1

您可以使用poppler_page_get_text()在页面中获取文本。之后你能解析纯文本吗？这是一个示例代码。这不是C++，但希望你能看到这个想法。

在Debian不稳定amd64、libpoppler glib dev 0.18.4-3、gcc 4.7.1-7 上测试

$ gcc -Wall -g -Wextra get-text.c $(pkg-config --cflags --libs poppler-glib)

#include <poppler.h>
#include <glib.h>
int main(int argc, char *argv[])
{
    GError *error = NULL;
    PopplerDocument *d;
    PopplerPage *p;
    gchar *f;
    gchar *u;
    g_type_init();
    if (argc < 2)
            g_error("oops: no file name given");
    if (g_path_is_absolute(argv[1]))
            f = argv[1];
    else
            f = g_build_filename(g_get_current_dir(), argv[1], NULL);
    u = g_filename_to_uri(f, NULL, &error);
    if (!u)
            g_error("oops: %s", error->message);
    d = poppler_document_new_from_file(u, NULL, &error);
    if (!d)
            return -1;
    p = poppler_document_get_page(d, 1);
    g_print("%sn", poppler_page_get_text(p));
    return 0;
}

Answer 2

免责声明：这可能不是一个好的答案

上次我检查libpoppler是一个很好的渲染器，它可以将pdf页面视为矢量绘制操作的序列。从这个意义上说，它应该可以拦截文本绘制操作，从而以某种方式报告文本。但从矢量的角度来看，我不认为页面页眉/页脚中的文本有什么特别之处。此外，我还看到一些非常昂贵的pdf到文本转换器程序在这方面惨败。

Answer 3

不是。PDF没有页眉、页脚和正文的概念（除非您创建了带标签的PDF）。