PHP讀取PDF內(nèi)容配合Xpdf的使用

更新時間：2012年11月24日 14:20:27 作者：

最近領導拍腦袋想出了一個需求，要我讀取PDF里面的內(nèi)容，并且入庫存為正文，用來搜索,需要的朋友可以了解下

一.下載
首先，我們先把資料下下來先。
如果不需要轉(zhuǎn)中文的話，只需要下載它就可以：xpdf-bin-linux-3.03.tar，如果需要轉(zhuǎn)中文，那你就還需要它了：xpdf-chinese-simplified.tar

二.安裝
現(xiàn)在，下載完畢了吧，我們可以進行安裝了。
[root@localhost ~]# mkdir -p /lcf/upan
[root@localhost ~]# mkdir -p /lcf/cdrom
[root@localhost ~]# mkdir -p /lcf/xpdf
[root@localhost ~]# cd /lcf/upan/
[root@localhost upan]# cp xpdf/* ../xpdf/ （下載的文件放入/lcf/xpdf目錄）
[root@localhost upan]# cd ../xpdf/
[root@localhost xpdf]# tar -zxvf xpdfbin-linux-3.03.tar.gz
[root@localhost xpdf]# cd xpdfbin-linux-3.03
[root@localhost xpdfbin-linux-3.03]# cat INSTALL
[root@localhost xpdfbin-linux-3.03]# cd bin32/
[root@localhost bin32]# cp ./* /usr/local/bin/
[root@localhost bin32]# cd ../doc/
[root@localhost doc]# mkdir -p /usr/local/man/man1
[root@localhost doc]# mkdir -p /usr/local/man/man5
[root@localhost doc]# cp *.1 /usr/local/man/man1
[root@localhost doc]# cp *.5 /usr/local/man/man5
如果不需要讀取中文的話，到這里就可以結(jié)束了，如果需要，那我們繼續(xù)往后
[root@localhost doc]# cp sample-xpdfrc /usr/local/etc/xpdfrc
[root@localhost xpdf]# cd /lcf/xpdf
[root@localhost xpdf]# tar -zxvf xpdf-chinese-simplified.tar.gz
[root@localhost xpdf]# cd xpdf-chinese-simplified
[root@localhost xpdf]# mkdir -p/usr/local/share/xpdf/chinese-simplified
[root@localhost xpdf]# cd xpdf-chinese-simplified/
[root@localhost xpdf-chinese-simplified]# cp Adobe-GB1.cidToUnicode ISO-2022-CN.unicodeMap EUC-CN.unicodeMap GBK.unicodeMap CMAP /usr/local/share/xpdf/chinese-simplified/
把chinese-simplified里面文件add-to-xpdfrc 的內(nèi)容復制到/usr/local/etc/xpdfrc文件中。記得里面的路徑要正確。（注意，這里面的簡體中文包包括以下三種格式：ISO-2022-CN，EUC-CN，GBK ，看清楚哦，不支持UTF-8，可以先轉(zhuǎn)為GBK，然后進行轉(zhuǎn)義）

三.功能實現(xiàn)
至此，所有的配置完畢，我們要開始使用它了。
如果是簡單的PDF讀取，那么直接用下面的語句就OK了。
$content = shell_exec('/usr/local/bin/pdftotext '.$filename.' -');
如果需要轉(zhuǎn)中文，如此這般，加上參數(shù)。
$content = shell_exec('/usr/local/bin/pdftotext -layout -enc GBK '.$filename.' -');
當然，加了參數(shù)之后依然是不影響英文的轉(zhuǎn)換的，所以，放心使用吧。需要注意的是，這里轉(zhuǎn)出來的是GBK編碼的哦，現(xiàn)在網(wǎng)站很多用的是UTF-8，想要不顯示亂碼的話，需要再次轉(zhuǎn)義一下哦。
$content = mb_convert_encoding($content, 'UTF-8','GBK');
至此，就大功告成了。讀取出來的內(nèi)容，你想如何使用，再寫代碼處理吧。
最后加一下pdftotext 的參數(shù)說明給大家。

主要參數(shù)如下:
OPTIONS
Many of the following options can be set with configuration file com-
mands. These are listed in square brackets with the description of the
corresponding command line option.
-f number
Specifies the first page to convert.
-l number
Specifies the last page to convert.
-layout
Maintain (as best as possible) the original physical layout of
the text. The default is to 'undo' physical layout (columns,
hyphenation, etc.) and output the text in reading order.
-fixed number
Assume fixed-pitch (or tabular) text, with the specified charac-
ter width (in points). This forces physical layout mode.
-raw Keep the text in content stream order. This is a hack which
often "undoes" column formatting, etc. Use of raw mode is no
longer recommended.
-htmlmeta
Generate a simple HTML file, including the meta information.
This simply wraps the text in <pre> and </pre> and prepends the
meta headers.
-enc encoding-name