欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  php教程

PHP读取PDF内容(LINUX下XPDF的配置和使用)

程序员文章站 2024-02-15 11:43:28
...
一.下载


首先,我们先把资料下下来先。
如果不需要转中文的话,只需要下载它就可以:xpdf-bin-linux-3.03.tar,如果需要转中文,那你就还需要它了:xpdf-chinese-simplified.tar

二.安装


现在,下载完毕了吧,我们可以进行安装了。

[root@localhost ~]# mkdir -p /lcf/upan
[root@localhost ~]# mkdir -p /lcf/cdrom
[root@localhost ~]# mkdir -p /lcf/xpdf

[root@localhost ~]# cd /lcf/upan/

[root@localhost upan]# cp xpdf/* ../xpdf/ (下载的文件放入/lcf/xpdf目录)
[root@localhost upan]# cd ../xpdf/

[root@localhost xpdf]# tar -zxvf xpdfbin-linux-3.03.tar.gz

[root@localhost xpdf]# cd xpdfbin-linux-3.03

[root@localhost xpdfbin-linux-3.03]# cat INSTALL

[root@localhost xpdfbin-linux-3.03]# cd bin32/
[root@localhost bin32]# cp ./* /usr/local/bin/

[root@localhost bin32]# cd ../doc/


[root@localhost doc]# mkdir -p /usr/local/man/man1
[root@localhost doc]# mkdir -p /usr/local/man/man5
[root@localhost doc]# cp *.1 /usr/local/man/man1
[root@localhost doc]# cp *.5 /usr/local/man/man5


如果不需要读取中文的话,到这里就可以结束了,如果需要,那我们继续往后

[root@localhost doc]# cp sample-xpdfrc /usr/local/etc/xpdfrc

[root@localhost xpdf]# cd /lcf/xpdf


[root@localhost xpdf]# tar -zxvf xpdf-chinese-simplified.tar.gz
[root@localhost xpdf]# cd xpdf-chinese-simplified
[root@localhost xpdf]# mkdir -p/usr/local/share/xpdf/chinese-simplified
[root@localhost xpdf]# cd xpdf-chinese-simplified/

[root@localhost xpdf-chinese-simplified]# cp Adobe-GB1.cidToUnicode ISO-2022-CN.unicodeMap EUC-CN.unicodeMap GBK.unicodeMap CMAP /usr/local/share/xpdf/chinese-simplified/



把chinese-simplified里面文件add-to-xpdfrc 的内容复制到/usr/local/etc/xpdfrc文件中。记得里面的路径要正确。(注意,这里面的简体中文包包括以下三种格式:ISO-2022-CN,EUC-CN,GBK ,看清楚哦,不支持UTF-8,可以先转为GBK,然后进行转义)

三.功能实现

至此,所有的配置完毕,我们要开始使用它了。

如果是简单的PDF读取,那么直接用下面的语句就OK了。

$content = shell_exec('/usr/local/bin/pdftotext '.$filename.' -');


如果需要转中文,如此这般,加上参数。

$content = shell_exec('/usr/local/bin/pdftotext -layout -enc GBK '.$filename.' -');

当然,加了参数之后依然是不影响英文的转换的,所以,放心使用吧。需要注意的是,这里转出来的是GBK编码的哦,现在网站很多用的是UTF-8,想要不显示乱码的话,需要再次转义一下哦。

$content = mb_convert_encoding($content, 'UTF-8','GBK');

至此,就大功告成了。读取出来的内容,你想如何使用,再写代码处理吧。


最后加一下pdftotext 的参数说明给大家。


主要参数如下:

OPTIONS
Many of the following options can be set with configuration file com-
mands. These are listed in square brackets with the description of the
corresponding command line option.

-f number
Specifies the first page to convert.

-l number
Specifies the last page to convert.

-layout
Maintain (as best as possible) the original physical layout of
the text. The default is to 'undo' physical layout (columns,
hyphenation, etc.) and output the text in reading order.

-fixed number
Assume fixed-pitch (or tabular) text, with the specified charac-
ter width (in points). This forces physical layout mode.

-raw Keep the text in content stream order. This is a hack which
often "undoes" column formatting, etc. Use of raw mode is no
longer recommended.

-htmlmeta
Generate a simple HTML file, including the meta information.
This simply wraps the text in

 and 
and prepends the
meta headers.

-enc encoding-name