PDF to text/HTML/XML converter – PHP – Fórum – Programujte.com

Čau, práve pracujem na jednom projekte a potreboval by som vhodný converter PDF dokumentov do nejakého textového formátu. Ide mi len o to, vytiahnuť z PDF abstrakt a kľúčové slová, ktoré väčšinou bývajú na prvých stránkach.

Na googli je toho plno, ale nemám možnosť volať z PHP externé aplikácie tak by to malo byť priamo v PHP, prípadne nejaký online konverter. Google ponúkal kedysi v prílohách mailov odkaz "Zobraziť ako HTML", ale to už nahradil svojim Google Docs, kde text nejde vytiahnuť.

Zatiaľ najlepšie výsledky dáva ZohoViewer http://viewer.zoho.com/home.do. Ten ale rozhádže diakritiku. Skúšal som toho plno a tento je najlepší čo sa týka rýchlosti a kvality. Ak by ste mali ale nejaké riešenie priamo v podobe PHP skriptu tak rád vyskúšam. Vopred dík

#1 m->29
Zdravím,

Momentálne mám rovnaký problém, ak si prišiel na riešenie alebo niekto iný, bol by som naozaj veľmi vďačný :)

Toto je pro php asi neřešitelný problém, zvlášť, když pdf obsahuje české texty. Já jsem to vždy řešil externími aplikacemi, ale to na klasickém webhostingu většinou nejde.

No tak tu si môžeš prezrieť nejaké veci čo som k tomu našiel: http://www.stud.fit.vutbr.cz/~xbelic02/ITU/TODO29.php

Ja som používal Zoho Viewer lebo dával najlepšie výsledky. Dám sem kus kódu čo mi asi fungoval.

class PDFExtracter {
  const URL_OF_ONLINE_CONVERTER = 'http://viewer.zoho.com/api/urlview.do';
  const URF_OF_CONVERTED_CONTENT = 'http://viewer.zoho.com/gettempcontent.do';

  static function getPDFContent($fileURL) {
    $queryString = '?url=' . urlencode($fileURL) . '&embed=true';
    $content = file_get_contents(
      PDFExtracter::URL_OF_ONLINE_CONVERTER . $queryString
    );
//echo PDFExtracter::URL_OF_ONLINE_CONVERTER . $queryString.'<br />';
    if($content === false) { return false; }
    
    $matchCount = preg_match(
      '#http://viewer\.zoho\.com/gettempcontent\.do\?genurl=[^>]+#', 
      $content, 
      $matches
    );
    if(!$matchCount) { return false; }
//echo "{$matches[0]}<br />";

    $content = file_get_contents($matches[0]);
    if($content === false) { return false; }
    
    return PDFExtracter::repairDiacritic( 
      strip_tags(iconv('UTF-8', 'ISO-8859-2//IGNORE', $content))
    );
  }
  
  static function repairDiacritic($string) {
    //preg_replace('/z\s*ˇ/', '', $string, -1, $count);
    //if($count > 0) {
      //$string = preg_replace('/a\s*´/', 'á', $string);
      //$string = preg_replace('/A\s*´/', 'Á', $string);
      //$string = preg_replace('/e\s*´/', 'é', $string);
      //$string = preg_replace('/E\s*´/', 'É', $string);
      //$string = preg_replace('/i\s*´/', 'í', $string);
      //$string = preg_replace('/I\s*´/', 'Í', $string);
      //$string = preg_replace('/l\s*´/', 'ĺ', $string);
      //$string = preg_replace('/L\s*´/', 'Ĺ', $string);
      //$string = preg_replace('/o\s*´/', 'ó', $string);
      //$string = preg_replace('/O\s*´/', 'Ó', $string);
      //$string = preg_replace('/u\s*´/', 'ú', $string);
      //$string = preg_replace('/U\s*´/', 'Ú', $string);
      //$string = preg_replace('/y\s*´/', 'ý', $string);
      //$string = preg_replace('/Y\s*´/', 'Ý', $string);
//      
      //$string = preg_replace('/c\s*ˇ/', 'č', $string);
      //$string = preg_replace('/C\s*ˇ/', 'Č', $string);
      //$string = preg_replace('/d\s*ˇ/', 'ď', $string);
      //$string = preg_replace('/D\s*ˇ/', 'Ď', $string);
      //$string = preg_replace('/e\s*ˇ/', 'ě', $string);
      //$string = preg_replace('/E\s*ˇ/', 'Ě', $string);
      //$string = preg_replace('/n\s*ˇ/', 'ň', $string);
      //$string = preg_replace('/N\s*ˇ/', 'Ň', $string);
      //$string = preg_replace('/r\s*ˇ/', 'ř', $string);
      //$string = preg_replace('/R\s*ˇ/', 'Ř', $string);
      //$string = preg_replace('/s\s*ˇ/', 'š', $string);
      //$string = preg_replace('/S\s*ˇ/', 'Š', $string);
      //$string = preg_replace('/z\s*ˇ/', 'ž', $string);
      //$string = preg_replace('/Z\s*ˇ/', 'Ž', $string);
//      
      //$string = preg_replace('/a\s*¨/', 'ä', $string);
      //$string = preg_replace('/A\s*¨/', 'Ä', $string);
//      
      //$string = preg_replace('/\S-\s+/', '', $string);
//      
      //$string = str_replace('´', 'í', $string);
    //} 
    //else {
      $string = preg_replace('/´\s*a/', 'á', $string);
      $string = preg_replace('/´\s*A/', 'Á', $string);
      $string = preg_replace('/´\s*e/', 'é', $string);
      $string = preg_replace('/´\s*E/', 'É', $string);
      $string = preg_replace('/´\s*i/', 'í', $string);
      $string = preg_replace('/´\s*I/', 'Í', $string);
      $string = preg_replace('/´\s*l/', 'ĺ', $string);
      $string = preg_replace('/´\s*L/', 'Ĺ', $string);
      $string = preg_replace('/´\s*o/', 'ó', $string);
      $string = preg_replace('/´\s*O/', 'Ó', $string);
      $string = preg_replace('/´\s*u/', 'ú', $string);
      $string = preg_replace('/´\s*U/', 'Ú', $string);
      $string = preg_replace('/´\s*y/', 'ý', $string);
      $string = preg_replace('/´\s*Y/', 'Ý', $string);
      
      $string = preg_replace('/ˇ\s*c/', 'č', $string);
      $string = preg_replace('/ˇ\s*C/', 'Č', $string);
      $string = preg_replace('/ˇ\s*d/', 'ď', $string);
      $string = preg_replace('/ˇ\s*D/', 'Ď', $string);
      $string = preg_replace('/ˇ\s*e/', 'ě', $string);
      $string = preg_replace('/ˇ\s*E/', 'Ě', $string);
      $string = preg_replace('/ˇ\s*n/', 'ň', $string);
      $string = preg_replace('/ˇ\s*N/', 'Ň', $string);
      $string = preg_replace('/ˇ\s*r/', 'ř', $string);
      $string = preg_replace('/ˇ\s*R/', 'Ř', $string);
      $string = preg_replace('/ˇ\s*s/', 'š', $string);
      $string = preg_replace('/ˇ\s*S/', 'Š', $string);
      $string = preg_replace('/ˇ\s*z/', 'ž', $string);
      $string = preg_replace('/ˇ\s*Z/', 'Ž', $string);
      
      $string = preg_replace('/¨\s*a/', 'ä', $string);
      $string = preg_replace('/¨\s*A/', 'Ä', $string);
      
      $string = preg_replace('/\S-\s+/', '', $string);
      
      $string = str_replace('´', 'í', $string);
    //}
    
    return $string;
  }
}

#4 m->29
Někdy otestuju, zajímalo by mě, jestli se to dá v reálu použít. Zvládne to i naskenované materiály (tzn. je tam nějaké OCR)?

Dole sú vypísané podporované formáty: Microsoft Office: doc, docx, xls, xlsx, ppt, pptx, pps; OpenDocument: odt, ods, odp; OpenOffice:sxw, sxc, sxi; Other Formats: wpd, pdf, rtf, txt, html, csv, tsv

Myslím, že to parsuje z toho PDF a nefunguje tam OCR. Preto to aj rozhádže diakritiku. V PDF je totiž tá diakritika zle a ono to zoberie z toho. Takto to robí aj Google a ten dával dokonca horšie výsledky ako Zoho. OCR sa používa asi len na obrázky, ale to myslím Zoho nepodporuje. Na tom linku je veľa nástrojov. Jeden (už neviem ktorý) vracal pekný súvislý text, ale vyradil som ho kvôli tomu, že skenovanie trvalo aj minútu čo som si nemohol dovoliť.

z_moravec: ake externe aplikacie si používal? ...lebo všade nájdem len informácie o tom ako vytvárať pdf, ale nie ako ich čítať. Išlo by to napr. z pdfLib??

Většinou používám utilitky z TeXu. Na OCR máme udělané vlastní udělátko.

Co třeba vyzkoušet mPDF nebo FPDF :)

Tieto nástroje ponúkajú len opačný prevod: HTML -> PDF