Jak czytać pliki PDF w C++

Napiszmy kod w języku C++, który wywołuje narzędzie wiersza poleceń Xpdf w celu wyodrębnienia treści tekstowej z dokumentu PDF. Wykorzystamy następujący plik input.pdf:

Przykładowy kod wygląda następująco:

#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
}

Wyjaśnienie kodu

W powyższym kodzie definiujemy zmienną pdfPath, aby przechowywać ścieżkę do pliku PDF wejściowego. Pamiętaj, aby zastąpić ją odpowiednią ścieżką do rzeczywistego dokumentu PDF wejściowego.

Definiujemy również zmienną outputFilePath, aby przechowywać ścieżkę do pliku tekstowego, który zostanie wygenerowany przez Xpdf.

Kod wykonuje polecenie pdftotext przy użyciu funkcji system, przekazując ścieżkę do pliku PDF wejściowego oraz ścieżkę do pliku tekstowego wyjściowego jako argumenty wiersza poleceń. Zmienna status przechwytuje status wyjścia polecenia.

Jeśli pdftotext zostanie pomyślnie wykonane (co wskazuje status 0), przechodzimy do otwarcia pliku tekstowego wyjściowego za pomocą ifstream. Następnie czytamy treść tekstu linia po linii i zapisujemy ją w ciągu znaków textContent.

Na koniec wyświetlamy wyodrębnioną treść tekstową w konsoli z wygenerowanego pliku wyjściowego. Jeśli nie potrzebujesz edytowalnego pliku tekstowego z wynikami lub chcesz zwolnić miejsce na dysku, na końcu programu po prostu usuń go za pomocą następującego polecenia przed zakończeniem funkcji głównej:

remove(outputFilePath.c_str());

remove(outputFilePath.c_str());

Skompiluj kod C++ i uruchom plik wykonywalny. Jeśli pdftotext zostanie dodane do ścieżki systemowej zmiennych środowiskowych, polecenie zostanie pomyślnie wykonane. Program generuje plik tekstowy na wyjściu i wyodrębnia treść tekstową z dokumentu PDF. Wyodrębniony tekst jest następnie wyświetlany w konsoli.

Wynik jest następujący