Cómo Leer Archivos PDF en C++

Escribamos el código en C++ que invoca la herramienta de línea de comandos Xpdf para extraer el contenido de texto del documento PDF. Vamos a usar el siguiente archivo input.pdf:

El ejemplo de código es el siguiente:

#include <cstdlib>
#include <iostream>
#include <fstream>

using namespace std;

int main() {
    // Specify the input and output file paths
    string pdfPath = "input.pdf";
    string outputFilePath = "output.txt";

    // Construct the command to run pdftotext
    string command = "pdftotext " + pdfPath + " " + outputFilePath;
    int status = system(command.c_str());

    // Check if the command executed successfully
    if (status == 0) {
        cout << "Text extraction successful." << endl;
    } else {
        cout << "Text extraction failed." << endl;
        return 1; // Exit the program with error code
    }

    // Open the output file to read the extracted text
    ifstream outputFile(outputFilePath);
    if (outputFile.is_open()) {
        string textContent;
        string line;
        while (getline(outputFile, line)) {
            textContent += line + "\n"; // Append each line to the textContent
        }
        outputFile.close();

        // Display the extracted text
        cout << "Text content extracted from PDF document:" << endl;
        cout << textContent << endl;
    } else {
        cout << "Failed to open output file." << endl;
        return 1; // Exit the program with error code
    }

    return 0; // Exit the program successfully
}

#include <cstdlib>
#include <iostream>
#include <fstream>

using namespace std;

int main() {
    // Specify the input and output file paths
    string pdfPath = "input.pdf";
    string outputFilePath = "output.txt";

    // Construct the command to run pdftotext
    string command = "pdftotext " + pdfPath + " " + outputFilePath;
    int status = system(command.c_str());

    // Check if the command executed successfully
    if (status == 0) {
        cout << "Text extraction successful." << endl;
    } else {
        cout << "Text extraction failed." << endl;
        return 1; // Exit the program with error code
    }

    // Open the output file to read the extracted text
    ifstream outputFile(outputFilePath);
    if (outputFile.is_open()) {
        string textContent;
        string line;
        while (getline(outputFile, line)) {
            textContent += line + "\n"; // Append each line to the textContent
        }
        outputFile.close();

        // Display the extracted text
        cout << "Text content extracted from PDF document:" << endl;
        cout << textContent << endl;
    } else {
        cout << "Failed to open output file." << endl;
        return 1; // Exit the program with error code
    }

    return 0; // Exit the program successfully
}

Explicación del código

En el código anterior, definimos la variable pdfPath para contener la ruta del archivo PDF de entrada. Asegúrate de reemplazarlo con la ruta adecuada a tu documento PDF de entrada real.

También definimos la variable outputFilePath para contener la ruta del archivo de texto de salida que será generado por Xpdf.

El código ejecuta el comando pdftotext usando la función system, pasando la ruta del archivo PDF de entrada y la ruta del archivo de texto de salida como argumentos de la línea de comandos. La variable status captura el estado de salida del comando.

Si pdftotext se ejecuta con éxito (indicado por un estado de 0), procedemos a abrir el archivo de texto de salida usando ifstream. Luego leemos el contenido del texto línea por línea y lo almacenamos en la cadena textContent.

Finalmente, mostramos el contenido del texto extraído en la consola desde el archivo de salida generado. Si no necesitas el archivo de texto de salida editable o deseas liberar espacio en disco, al final del programa simplemente elimínalo usando el siguiente comando antes de terminar la función principal:

remove(outputFilePath.c_str());

remove(outputFilePath.c_str());

Compila el código en C++ y ejecuta el archivo ejecutable. Si pdftotext está agregado a la Ruta del Sistema de Variables de Entorno, su comando se ejecutará correctamente. El programa genera el archivo de texto de salida y extrae contenido de texto del documento PDF. El texto extraído se muestra luego en la consola.

El resultado es el siguiente