pdf开发篇

Ⅱ PDF解析模块-PDFMiner开发手册[翻译]

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

软件版本:pdfminer-20140328

翻译：robolinux

时间：20150110

PDF格式不是规范格式. 尽管它被叫做"PDF文档", 但并不像word或者html文档。PDF的表现更像一张图片。PDF更像是在一张纸的各个准确的位置上把内容都摆放出来。大部分情况下，没有逻辑结构，比如句子或段落，并且不能自适应页面大小的调整。PDFMiner尝试通过猜测它们的布局来重建它们的结构，但是不保证一定能工作。我知道这样很难看，但是，PDF确实不够规范。

更多关于PDF内部结构的技术详情，请见《如何手工提取PDF内容》。

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

由于PDF文件有如此大和复杂的结构，完整解析PDF文件很费时费力。好吧，大多数PDF工作中，很多模块是不需要加进来的。因此 PDFMiner 采用了一个懒惰分析的策略，就是只分析所需要的部分。解析时候，至少需要2个核心类，PDFParser 和 PDFDocument。这两个模块配合其他模块来使用。

PDFParser 从文件中获取数据

PDFDocument 存储文档数据结构到内存中

PDFPageInterpreter 解析page内容

PDFDevice 把解析到的内容转化为你需要的东西

PDFResourceManager存储共享资源，例如字体或图片

下图显示了PDFMiner中各个类之间的关系。

下面是解析pdf的一个典型方法：

布局分析把pdf文档中每一页返回为一个 LTPage 对象. 该对象包含该页面中的子对象，格式化为树形结构。

下图显示了这些对象之间的关系。

LTPage

代表一个完整的页面。可以包含子对象，例如LTTextBox,LTFigure,LTImage,LTRect,LTCurve和LTLine.

LTTextBox
它包含 LTTextLine 对象的列表
代表一组被包含在矩形区域中的文本
需要注意的是，该box是根据几何学分析得到的，并不一定准确地表现为该文本的逻辑范围
get_text()方法可以返回文本内容

LTTextLine
包含一个LTChar对象的列表，表现为单行文本
字符表现为一行或一列，取决于文本书写方式
get_text()方法返回文本内容

LTChar / LTAnno
代表一个在文本中的真实的字母，作为一个unicode字符串
LTChar 对象有真实的分隔符
LTAnno 对象没有，是虚拟分隔符，按照两个字符之间的关系，布局分析器插入虚拟分隔符

LTFigure
代表一个被PDF Form对象使用的区域
pdf form适用于目前的图表(present figures)或者页面中植入的另一个pdf文档图片。LTFigure对象可以递归

LTImage
代表一个图形对象。可以是JPEG或者其他格式，但PDFMiner目前没有花太多精力在图形对象上。

LTLine
代表一根直线。用来分割文本或图表(figures)。

LTRect
代表一个矩形。
用来框住别的图片或者图表。

LTCurve
代表一个贝塞尔曲线。

也可以从下面URL获得更多完整的示例。

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

获得目录

PDF文档没有目录时会报：
raise PDFNoOutlines

pdfminer.pdfdocument.PDFNoOutlines

一些pdf文档使用页号作为目录指向，另外的文档则使用页号和页面中的物理位置。由于pdf文档没有逻辑结构，并且不支持从外部指向页内对象，所以没有办法准确告知这些目录指向文本的哪一部分。

你可以扩展PDFPageinterpreter类和PDFDevice类以便进行不同的加工，或者获得其他信息。

Ⅲ 《深入浅出MySQL数据库开发优化与管理维护第3版》pdf下载在线阅读全文，求百度网盘云资源

《深入浅出MySQL数据库开发优化与管理维护第3版》网络网盘pdf最新全集下载:
链接：https://pan..com/s/1AxoktD-VngFdL1vsIBS_mw

Ⅳ pdf格式,最先由哪个公司开发的

PDF格式是由Adobe公司提出的，目前的版本为1.7。并已申请成为ISO32000国际标准。
PDF全称Portable Document Format，是一种电子文件格式。这种文件格式与操作系统平台无关，也就是说，PDF文件不管是在Windows，Unix还是在苹果公司的Mac OS操作系统中都是通用的。这一特点使它成为在Internet上进行电子文档发行和数字化信息传播的理想文档格式。越来越多的电子图书、产品说明、公司文告、网络资料、电子邮件开始使用PDF格式文件。PDF格式文件目前已成为数字化信息事实上的一个工业标准。
Adobe公司设计PDF文件格式的目的是为了支持跨平台上的，多媒体集成的信息出版和发布，尤其是提供对网络信息发布的支持。为了达到此目的， PDF具有许多其他电子文档格式无法相比的优点。PDF文件格式可以将文字、字型、格式、颜色及独立于设备和分辨率的图形图像等封装在一个文件中。该格式文件还可以包含超文本链接、声音和动态影像等电子信息，支持特长文件，集成度和安全可靠性都较高。
PDF文件使用了工业标准的压缩算法，通常比PostScript文件小，易于传输与储存。它还是页独立的，一个PDF文件包含一个或多个“页”，可以单独处理各页，特别适合多处理器系统的工作。此外，一个PDF文件还包含文件中所使用的PDF格式版本，以及文件中一些重要结构的定位信息。正是由于 PDF文件的种种优点，它逐渐成为出版业中的新宠。
对普通读者而言，用PDF制作的电子书具有纸版书的质感和阅读效果，可以“逼真地”展现原书的原貌，而显示大小可任意调节，给读者提供了个性化的阅读方式。由于PDF文件可以不依赖操作系统的语言和字体及显示设备，阅读起来很方便。这些优点使读者能很快适应电子阅读与网上阅读，无疑有利于计算机与网络在日常生活中的普及。Adobe公司以PDF文件技术为核心，提供了一整套电子和网络出版解决方案，其中包括用于生成和阅读PDF文件的商业软件Acrobat和用于编辑制作PDF文件的Illustrator等。 Adobe还提供了用于阅读和打印亚洲文字，即中日韩文字所需的字型包。

Ⅳ 为什么有人开发PDF格式和CAJ格式

PDF格式和CAJ格式的优缺点不同，导致他们的使用者不同。

1、PDF的优点：

PDF支持特长文件，集成度和安全可靠性都较高；

PDF使用了工业标准的压缩算法，易于传输与储存；

用PDF制作的电子书具有纸版书的质感和阅读效果；

PDF可不依赖操作系统的语言和字体及显示设备。

2、PDF的缺点：难于编辑，格式太多变。

3、CAJ的优点：

打印效果可以达到与原版显示一致的程度。

4、CAJ的缺点：

需要用特定阅读器打开，使用不方便。

5、实际操作中中文字体的支持不同：

知网下载的pdf，用AdobeAcrobat打开后，字体是黑粗体，看不到重点，期刊文章本来是粗细分明、错落有致的，转成电子版caj文件后都消失了。

有的比如引号、冒号字符，总户排序混乱。用chrome打开这pdf后，黑粗体都变成了宋体，用SumatraPDF打开后，黑粗体都变成了仿宋，其实pdf文件就不存储字体信息，用AdobeAcrobat的编辑功能查看后，字体被回退到了AdobeStdHeitiRegular。

但是，粗黑体的 pdf，用 CAJViewer 打开时，有粗体有细体，有仿宋有楷体，都规规矩矩的，用了 pdf 的规范，却不遵守规范中字体的要求，从而使 cajviewer 才能正确地显示字体。

Ⅵ Java开发 Pdf 问题

推荐你目前最好的java做pdf的包 iText
http://www.itextpdf.com/
上面有详细的例子，至于你说的当数据中包含中文标点符号而产生的问题，这个我不清楚，还没用iText做过中文文档，你去尝试一下iText吧，可能你的问题能够迎刃而解。如果对iText感兴趣，我这还有书 iText in Action (Second Edition)，英文pdf版，你要的话我也可以传给你。

Ⅶ 请人开发一款PDF阅读器需要多大的费用

据我所知，PDF软件方面做得比较好的公司有adobe和福昕，福昕到现在做了将近11年，但是跟adobe的兼容方面还是有一些小的问题，主要因为PDF格式标准有很多，并且adobe官方也在不断有一些新的东西加进来。所以你要做个非常简单的东西的话可以找福昕定制一个（前提是不跟他们的东西竞争），如果要自己请团队来做PDF阅读器，应该花不了太多钱，几十万应该能打住，想做的很好非常不容易。