PDF转换解析工具—XPDF

最近一直在研究PDF的解析，发现有很多的软件或SDK可以 预处理。这里 预处理的意思仅仅是转换一种存储格式，还需要我们进一步的结构化处理。现在介绍几种预处理方案：
第一、使用OCR软件识别。
这个做的最好的，非FineReader莫属，自己下载下来体会一番（软件需要激活）。
第二、使用现成的SDK。
基于java的SDK有：pdfbox、itext等
基于python的SDK有：pdfMiner、pyPdf等
还有其他工具，比如pdf2htmlex、XPDF等

这次只对XPDF工具进行介绍，因为在转换txt方面稍好一点。其他工具有空再介绍哈。

1、XPDF官网介绍

     宣言：Xpdf: A PDF Viewer for X，官网地址：xpdf home

2、通过XPDF可以做什么

    从它的exe文件名称定义可以看出，包含pdftohtml、pdftotext、pdftopng、pdftops等。

3、XPDF运行环境初始化

• 下载XPDF库，支持window32或64，解压。我用的是xpdfbin-win-3.04，点吧
  
• 下载XPDF语言库，必须支持简体中文，解压。我用的是xpdf-chinese-simplified，点吧
• 定义一个XPDF安装目录（虽然是免安装，暂且这么说），比如：XPDF_HOME=D:/xpdf/
• 把xpdfbin-win-3.04\bin64下所有exe文件 copy 到 XPDF_HOME下（OS是64的）
  
• 把xpdfbin-win-3.04下的这些文件 copy 到 XPDF_HOME下
• 把xpdfbin-win-3.04\doc下的sample-xpdfrc文件 copy 到 XPDF_HOME下
• 把xpdf-chinese-simplified文件夹 copy 到 XPDF_HOME下
• 准备就绪，开始修改配置
• 打开xpdf-chinese-simplified/add-to-xpdfrc文件，copy所有内容 到 XPDF_HOME/sample-xpdfrc文件最后并修改路径。修改后的结果是这样的：

  #----- begin Chinese Simplified support package (2011-sep-02)
  
  cidToUnicode	Adobe-GB1	XPDF_HOME/xpdf-chinese-simplified/Adobe-GB1.cidToUnicode
  
  unicodeMap	ISO-2022-CN	XPDF_HOME/xpdf-chinese-simplified/ISO-2022-CN.unicodeMap
  
  unicodeMap	EUC-CN		XPDF_HOME/xpdf-chinese-simplified/EUC-CN.unicodeMap
  
  unicodeMap	GBK		XPDF_HOME/xpdf-chinese-simplified/GBK.unicodeMap
  
  cMapDir		Adobe-GB1	XPDF_HOME/xpdf-chinese-simplified/CMap
  
  toUnicodeDir			XPDF_HOME/xpdf-chinese-simplified/CMap
  
  #fontFileCC	Adobe-GB1	/usr/..../gkai00mp.ttf
  
  #----- end Chinese Simplified support package
  

  最后把sample-xpdfrc文件名改为xpdfrc，这么做就支持简体中文识别啦~
  

4、XPDF的使用入门

     第一种：在dos下执行exe文件，先cd到XPDF_HOME目录，然后执行pdftotext.exe命令。

                 比如：XPDF_HOME/pdftotext.exe [options] sourcefile[原始pdf路径] targetfile[转换后txt文件路径]，回车看文件是否生成。

                 其中options包含很多设置，比如编码（GBK），是否保持pdf原有布局（-layout）等。

                 我透露一下自己测试用的命令：pdftotext.exe -layout D:/test.pdf D:/test.txt

     第二种：通过java实现转换，核心代码简介：

        String[] cmd = getCmd(new File(targetfile), isLayout);  
        Runtime.getRuntime().exec(cmd); 

5、转换前后比较