pdf開發篇

Ⅱ PDF解析模塊-PDFMiner開發手冊[翻譯]

轉 https://blog.csdn.net/robolinux/article/details/43318229
原文地址: http://euske.github.io/pdfminer/programming.html

軟體版本:pdfminer-20140328

翻譯：robolinux

時間：20150110

PDF格式不是規范格式. 盡管它被叫做"PDF文檔", 但並不像word或者html文檔。PDF的表現更像一張圖片。PDF更像是在一張紙的各個准確的位置上把內容都擺放出來。大部分情況下，沒有邏輯結構，比如句子或段落，並且不能自適應頁面大小的調整。PDFMiner嘗試通過猜測它們的布局來重建它們的結構，但是不保證一定能工作。我知道這樣很難看，但是，PDF確實不夠規范。

更多關於PDF內部結構的技術詳情，請見《如何手工提取PDF內容》。

http://www.youtube.com/watch?v=k34wRxaxA_c http://www.youtube.com/watch?v=_A1M4OdNsiQ http://www.youtube.com/watch?v=sfV_7cWPgZE

由於PDF文件有如此大和復雜的結構，完整解析PDF文件很費時費力。好吧，大多數PDF工作中，很多模塊是不需要加進來的。因此 PDFMiner 採用了一個懶惰分析的策略，就是只分析所需要的部分。解析時候，至少需要2個核心類，PDFParser 和 PDFDocument。這兩個模塊配合其他模塊來使用。

PDFParser 從文件中獲取數據

PDFDocument 存儲文檔數據結構到內存中

PDFPageInterpreter 解析page內容

PDFDevice 把解析到的內容轉化為你需要的東西

PDFResourceManager存儲共享資源，例如字體或圖片

下圖顯示了PDFMiner中各個類之間的關系。

下面是解析pdf的一個典型方法：

布局分析把pdf文檔中每一頁返回為一個 LTPage 對象. 該對象包含該頁面中的子對象，格式化為樹形結構。

下圖顯示了這些對象之間的關系。

LTPage

代表一個完整的頁面。可以包含子對象，例如LTTextBox,LTFigure,LTImage,LTRect,LTCurve和LTLine.

LTTextBox
它包含 LTTextLine 對象的列表
代表一組被包含在矩形區域中的文本
需要注意的是，該box是根據幾何學分析得到的，並不一定準確地表現為該文本的邏輯范圍
get_text()方法可以返迴文本內容

LTTextLine
包含一個LTChar對象的列表，表現為單行文本
字元表現為一行或一列，取決於文本書寫方式
get_text()方法返迴文本內容

LTChar / LTAnno
代表一個在文本中的真實的字母，作為一個unicode字元串
LTChar 對象有真實的分隔符
LTAnno 對象沒有，是虛擬分隔符，按照兩個字元之間的關系，布局分析器插入虛擬分隔符

LTFigure
代表一個被PDF Form對象使用的區域
pdf form適用於目前的圖表(present figures)或者頁面中植入的另一個pdf文檔圖片。LTFigure對象可以遞歸

LTImage
代表一個圖形對象。可以是JPEG或者其他格式，但PDFMiner目前沒有花太多精力在圖形對象上。

LTLine
代表一根直線。用來分割文本或圖表(figures)。

LTRect
代表一個矩形。
用來框住別的圖片或者圖表。

LTCurve
代表一個貝塞爾曲線。

也可以從下面URL獲得更多完整的示例。

http://denis.papathanasiou.org/?p=343

獲得目錄

PDF文檔沒有目錄時會報：
raise PDFNoOutlines

pdfminer.pdfdocument.PDFNoOutlines

一些pdf文檔使用頁號作為目錄指向，另外的文檔則使用頁號和頁面中的物理位置。由於pdf文檔沒有邏輯結構，並且不支持從外部指向頁內對象，所以沒有辦法准確告知這些目錄指向文本的哪一部分。

你可以擴展PDFPageinterpreter類和PDFDevice類以便進行不同的加工，或者獲得其他信息。

Ⅲ 《深入淺出MySQL資料庫開發優化與管理維護第3版》pdf下載在線閱讀全文，求百度網盤雲資源

《深入淺出MySQL資料庫開發優化與管理維護第3版》網路網盤pdf最新全集下載:
鏈接：https://pan..com/s/1AxoktD-VngFdL1vsIBS_mw

Ⅳ pdf格式,最先由哪個公司開發的

PDF格式是由Adobe公司提出的，目前的版本為1.7。並已申請成為ISO32000國際標准。
PDF全稱Portable Document Format，是一種電子文件格式。這種文件格式與操作系統平台無關，也就是說，PDF文件不管是在Windows，Unix還是在蘋果公司的Mac OS操作系統中都是通用的。這一特點使它成為在Internet上進行電子文檔發行和數字化信息傳播的理想文檔格式。越來越多的電子圖書、產品說明、公司文告、網路資料、電子郵件開始使用PDF格式文件。PDF格式文件目前已成為數字化信息事實上的一個工業標准。
Adobe公司設計PDF文件格式的目的是為了支持跨平台上的，多媒體集成的信息出版和發布，尤其是提供對網路信息發布的支持。為了達到此目的， PDF具有許多其他電子文檔格式無法相比的優點。PDF文件格式可以將文字、字型、格式、顏色及獨立於設備和解析度的圖形圖像等封裝在一個文件中。該格式文件還可以包含超文本鏈接、聲音和動態影像等電子信息，支持特長文件，集成度和安全可靠性都較高。
PDF文件使用了工業標準的壓縮演算法，通常比PostScript文件小，易於傳輸與儲存。它還是頁獨立的，一個PDF文件包含一個或多個「頁」，可以單獨處理各頁，特別適合多處理器系統的工作。此外，一個PDF文件還包含文件中所使用的PDF格式版本，以及文件中一些重要結構的定位信息。正是由於 PDF文件的種種優點，它逐漸成為出版業中的新寵。
對普通讀者而言，用PDF製作的電子書具有紙版書的質感和閱讀效果，可以「逼真地」展現原書的原貌，而顯示大小可任意調節，給讀者提供了個性化的閱讀方式。由於PDF文件可以不依賴操作系統的語言和字體及顯示設備，閱讀起來很方便。這些優點使讀者能很快適應電子閱讀與網上閱讀，無疑有利於計算機與網路在日常生活中的普及。Adobe公司以PDF文件技術為核心，提供了一整套電子和網路出版解決方案，其中包括用於生成和閱讀PDF文件的商業軟體Acrobat和用於編輯製作PDF文件的Illustrator等。 Adobe還提供了用於閱讀和列印亞洲文字，即中日韓文字所需的字型包。

Ⅳ 為什麼有人開發PDF格式和CAJ格式

PDF格式和CAJ格式的優缺點不同，導致他們的使用者不同。

1、PDF的優點：

PDF支持特長文件，集成度和安全可靠性都較高；

PDF使用了工業標準的壓縮演算法，易於傳輸與儲存；

用PDF製作的電子書具有紙版書的質感和閱讀效果；

PDF可不依賴操作系統的語言和字體及顯示設備。

2、PDF的缺點：難於編輯，格式太多變。

3、CAJ的優點：

列印效果可以達到與原版顯示一致的程度。

4、CAJ的缺點：

需要用特定閱讀器打開，使用不方便。

5、實際操作中中文字體的支持不同：

知網下載的pdf，用AdobeAcrobat打開後，字體是黑粗體，看不到重點，期刊文章本來是粗細分明、錯落有致的，轉成電子版caj文件後都消失了。

有的比如引號、冒號字元，總戶排序混亂。用chrome打開這pdf後，黑粗體都變成了宋體，用SumatraPDF打開後，黑粗體都變成了仿宋，其實pdf文件就不存儲字體信息，用AdobeAcrobat的編輯功能查看後，字體被回退到了AdobeStdHeitiRegular。

但是，粗黑體的 pdf，用 CAJViewer 打開時，有粗體有細體，有仿宋有楷體，都規規矩矩的，用了 pdf 的規范，卻不遵守規范中字體的要求，從而使 cajviewer 才能正確地顯示字體。

Ⅵ Java開發 Pdf 問題

推薦你目前最好的java做pdf的包 iText
http://www.itextpdf.com/
上面有詳細的例子，至於你說的當數據中包含中文標點符號而產生的問題，這個我不清楚，還沒用iText做過中文文檔，你去嘗試一下iText吧，可能你的問題能夠迎刃而解。如果對iText感興趣，我這還有書 iText in Action (Second Edition)，英文pdf版，你要的話我也可以傳給你。

Ⅶ 請人開發一款PDF閱讀器需要多大的費用

據我所知，PDF軟體方面做得比較好的公司有adobe和福昕，福昕到現在做了將近11年，但是跟adobe的兼容方面還是有一些小的問題，主要因為PDF格式標准有很多，並且adobe官方也在不斷有一些新的東西加進來。所以你要做個非常簡單的東西的話可以找福昕定製一個（前提是不跟他們的東西競爭），如果要自己請團隊來做PDF閱讀器，應該花不了太多錢，幾十萬應該能打住，想做的很好非常不容易。