function pdf2text($filename)
{
// Read the data from pdf file
$infile = @file_get_contents($filename, FILE_BINARY);
if (empty($infile)) {
return "";
}
// Get all text data.
$transformations = array();
$texts = array();
// Get the list of all objects.
preg_match_all("#obj(.*)endobj#ismU", $infile, $objects);
$objects = @$objects[1];
// Select objects with streams.
for ($i = 0; $i < count($objects); $i++) {
$currentObject = $objects[$i];
// Check if an object includes data stream.
if (preg_match("#stream(.*)endstream#ismU", $currentObject, $stream)) {
$stream = ltrim($stream[1]);
// Check object parameters and look for text data.
$options = getObjectOptions($currentObject);
// $options = getObjectOptions($currentObject);
if (!(empty($options["Length1"]) && empty($options["Type"]) && empty($options["Subtype"]))) {
continue;
}
// So, we have text data. Decode it.
$data = getDecodedStream($stream, $options);
if (strlen($data)) {
if (preg_match_all("#BT(.*)ET#ismU", $data, $textContainers)) {
$textContainers = @$textContainers[1];
getDirtyTexts($texts, $textContainers);
} else {
getCharTransformations($transformations, $data);
}
}
}
}
// Analyze text blocks taking into account character transformations and return results.
return getTextUsingTransformations($texts, $transformations);
}
function pdf2text($filename)
{
$infile = @file_get_contents($filename, FILE_BINARY);
if (empty($infile)) {
return "";
}
$transformations = array();
$texts = array();
preg_match_all("#obj(.*)endobj#ismU", $infile, $objects);
$objects = @$objects[1];
for ($i = 0; $i < count($objects); $i++) {
$currentObject = $objects[$i];
if (preg_match("#stream(.*)endstream#ismU", $currentObject, $stream)) {
$stream = ltrim($stream[1]);
$options = getObjectOptions($currentObject);
if (!(empty($options["Length1"]) && empty($options["Type"]) && empty($options["Subtype"]))) {
continue;
}
$data = getDecodedStream($stream, $options);
if (strlen($data)) {
if (preg_match_all("#BT(.*)ET#ismU", $data, $textContainers)) {
$textContainers = @$textContainers[1];
getDirtyTexts($texts, $textContainers);
} else {
getCharTransformations($transformations, $data);
}
}
}
}
return getTextUsingTransformations($texts, $transformations);
}
function pdf2text($filename)
{
// Читаем данные из pdf-файла в строку, учитываем, что файл может содержать
// бинарные потоки.
$infile = @file_get_contents($filename, FILE_BINARY);
if (empty($infile)) {
return "";
}
// Проход первый. Нам требуется получить все текстовые данные из файла.
// В 1ом проходе мы получаем лишь "грязные" данные, с позиционированием,
// с вставками hex и так далее.
$transformations = array();
$texts = array();
// Для начала получим список всех объектов из pdf-файла.
preg_match_all("#obj(.*)endobj#ismU", $infile, $objects);
$objects = @$objects[1];
// Начнём обходить, то что нашли - помимо текста, нам может попасться
// много всего интересного и не всегда "вкусного", например, те же шрифты.
for ($i = 0; $i < count($objects); $i++) {
$currentObject = $objects[$i];
// Проверяем, есть ли в текущем объекте поток данных, почти всегда он
// сжат с помощью gzip.
if (preg_match("#stream(.*)endstream#ismU", $currentObject, $stream)) {
$stream = ltrim($stream[1]);
// Читаем параметры данного объекта, нас интересует только текстовые
// данные, поэтому делаем минимальные отсечения, чтобы ускорить
// выполнения
$options = getObjectOptions($currentObject);
if (!(empty($options["Length1"]) && empty($options["Type"]) && empty($options["Subtype"]))) {
continue;
}
// Итак, перед нами "возможно" текст, расшифровываем его из бинарного
// представления. После этого действия мы имеем дело только с plain text.
$data = getDecodedStream($stream, $options);
if (strlen($data)) {
// Итак, нам нужно найти контейнер текста в текущем потоке.
// В случае успеха найденный "грязный" текст отправится к остальным
// найденным до этого
if (preg_match_all("#BT(.*)ET#ismU", $data, $textContainers)) {
$textContainers = @$textContainers[1];
getDirtyTexts($texts, $textContainers);
// В противном случае, пытаемся найти символьные трансформации,
// которые будем использовать во втором шаге.
} else {
getCharTransformations($transformations, $data);
}
}
}
}
// По окончанию первичного парсинга pdf-документа, начинаем разбор полученных
// текстовых блоков с учётом символьных трансформаций. По окончанию, возвращаем
// полученный результат.
return getTextUsingTransformations($texts, $transformations);
}