将 PDF 转换为 XML 结构

Posted 2023-03-28

【中文标题】将 PDF 转换为 XML 结构

【英文标题】：Convert PDF to XML structure

【发布时间】：2021-09-06 02:43:35

【问题描述】：

我想知道一种方法，如何通过用户将元素映射到特定 XML 结构来转换 PDF 文件。 我看了很多关于convert的视频或频道，但所有频道或视频都是关于商业程序的，并且具有特定的XML结构，我无法更改。我需要获得自己的 XML 结构。

有什么方法，如何实现这一点？我会使用哪种编程语言？

拜托，你能帮帮我吗？

【参考方案1】：

首先，看看pdftohtml

它可以选择将其转换为 xml。 它会给你类似的东西：

<?xml version="1.0" encoding="UTF-8"?>
<pdf2xml producer="poppler" version="0.87.0">
<page number="1" position="absolute" top="0" left="0"  >
    <fontspec id="0" size="18" family="TimesNewRomanPSMT" color="#000000"/>
    <fontspec id="4" size="14" family="ArialMT" color="#000000"/>
    <image top="53" left="129"   src="document-1_1.jpg"/>
    <image top="1205" left="812"   src="document-1_2.jpg"/>
    <text top="58" left="135"   font="0"> </text>
    <text top="602" left="144"   font="4">Ontbreken van het metadataveld ‘taal’; </text>
    <text top="622" left="135"   font="4">- Foutief gebruik van tabellen voor lay-out doeleinden; </text>
    <text top="639" left="135"   font="4">- Afbeeldingen zonder omschrijving; </text>
    <text top="656" left="135"   font="4">- </text>
 </page>
 </pdf2xml>

但就在那时，一切都开始了。 如何将其转化为有用的东西。因为 pdf 只是由文本片段组成。

从中（重新）创建一个结构是一项挑战。

【讨论】：

感谢您提供非常有用的信息。我突然想到以不同的方式映射元素。我知道 php 会为我翻译这一切，仅此而已。有什么方法可以选择我会立即调用的特定区域吗？例如，作为截止日期等？

PHP?有意思，能具体点吗？你是怎么做到的，结果是什么？现在我不知道你想要什么。你需要更具体。也许通过在您的问题中添加一些示例来阐明您的需求……

我想创建自己的系统，在其中映射将转换为特定 XML 结构的区域。我需要了解如何在 PDF 中标记特定区域？例如。 PDF中有一个日期，我会标记它并为其分配一个XML名称的元素。选择中的值被读取并粘贴到元素中。