¿Cómo convierto un PDF a texto para poder analizar ese texto con PHP?

Question

Tengo archivos PDF que en su mayoría son texto formateado y quiero analizar el texto con PHP. Me doy cuenta de que el PDF es binario, así que necesito una utilidad o una biblioteca para convertirlo en texto.

¿Alguna recomendación?

Answer 1

Terminé usando XPDF (que incluye pdftotext). Esto funciona muy bien y lo uso en producción para extraer texto de millones de archivos PDF que se cargan en nuestros servidores.

A continuación se muestra el proceso de instalación de Linux CentOS:

1. descargar la versión 3.03 desde aquí: http://foolabs.com/xpdf/download.html
2. alquitrán -zxvf xpdfbin-linux-3.03.tar.gz (extracto tar.gz)
3. crear directorios necesarios para instalar (todos o algunos de estos pueden existir ya)
   • mkdir sudo/usr/local/man/
   • sudo mkdir/usr/local/man/man1/
   • sudo mkdir/usr/local/man/man5/
   • sudo mkdir/usr/local/etc/xpdfrc/
4. mover archivos de las carpetas extraídas (CD en la carpeta donde xpdf era sólo descomprimido)
   • mover todos los archivos ejecutables desde el directorio bin64 (xpdf, pdftotext ... todos los archivos) a/usr/local/bin/
   • mover el archivo de ejemplo xpdfrc-a/usr/local/etc/xpdfrc (esto se puede usar tal cual)
   • mueve las páginas del manual del directorio doc (* 0.1 a/usr/local/man/man1/& * 0.5 a/usr/local/man/man5 /)
5. xpdf debe ser instalado y listo para usar
6. puede eliminar el archivo descargado alquitrán.GZ archivo y la carpeta en la que se abrió la cremallera

Answer 2

No puede hacer eso con file_get_contents() porque los archivos PDF contienen solo datos binarios (sin texto sin formato). Para leer/modificar un archivo pdf, puede usar algunas bibliotecas de terceros. Echar un vistazo a:

• http://www.fpdf.org/
• http://www.setasign.de/products/pdf-php-solutions/fpdi/

Y no se olvide

• http://php.net/manual/en/book.pdf.php

Answer 3

El software de terceros puede volcar el contenido de un texto Archivo PDF, por ejemplo:

• xdoc2txt (sólo para Windows, utilizado en los plugins WinMerge)
• pdftotext, parte de Xpdf