PHP读取PDF内容（Linux下Xpdf的配置和使用）

文章由LinuxBoy分享于2019-03-27 06:03:56热评（583）

PHP读取PDF内容（Linux下Xpdf的配置和使用）

最近领导拍脑袋想出了一个需求，要我读取PDF里面的内容，并且入库存为正文，用来搜索。

一.下载

首先，我们先把资料下下来先。下载地址在这里：http://www.foolabs.com/xpdf/download.html

如果不需要转中文的话，只需要下载它就可以：xpdf-bin-linux-3.03.tar，如果需要转中文，那你就还需要它了：xpdf-chinese-simplified.tar

二.安装

现在，下载完毕了吧，我们可以进行安装了。

[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/ （下载的文件放入/lcf/xpdf目录）
[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

如果不需要读取中文的话，到这里就可以结束了，如果需要，那我们继续往后

[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 的内容复制到/usr/local/etc/xpdfrc文件中。记得里面的路径要正确。（注意，这里面的简体中文包包括以下三种格式：ISO-2022-CN，EUC-CN，GBK ，看清楚哦，不支持UTF-8，可以先转为GBK，然后进行转义）

三.功能实现

至此，所有的配置完毕，我们要开始使用它了。

如果是简单的PDF读取，那么直接用下面的语句就OK了。

$content = shell_exec('/usr/local/bin/pdftotext '.$filename.' -');

如果需要转中文，如此这般，加上参数。

$content = shell_exec('/usr/local/bin/pdftotext -layout -enc GBK '.$filename.' -');

当然，加了参数之后依然是不影响英文的转换的，所以，放心使用吧。需要注意的是，这里转出来的是GBK编码的哦，现在网站很多用的是UTF-8，想要不显示乱码的话，需要再次转义一下哦。

$content = mb_convert_encoding($content, 'UTF-8','GBK');

至此，就大功告成了。读取出来的内容，你想如何使用，再写代码处理吧。

最后加一下pdftotext 的参数说明给大家。

主要参数如下:

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

推荐文章：

PHP读取PDF内容（Linux下Xpdf的配置和使用）