c# - Ghostscript转换PDF并在文本文件中输出

Question

1.我需要将PDF文件转换为txt.file文件。我的命令似乎有效，因为我在屏幕上获得了转换后的文本，但是以某种方式无法将输出定向到文本文件中。

public static string[] GetArgs(string inputPath, string outputPath)
{ 
    return new[] {
                "-q", "-dNODISPLAY", "-dSAFER",
                "-dDELAYBIND", "-dWRITESYSTEMDICT", "-dSIMPLE",
                "-c", "save", "-f",
                "ps2ascii.ps", inputPath, "-sDEVICE=txtwrite",
                String.Format("-sOutputFile={0}", outputPath),
                "-c", "quit"
    }; 
}

2.是否有Unicode专用.ps？

更新:
发布我完整的代码，也许错误在其他地方。

public static string[] GetArgs(string inputPath, string outputPath)
{
    return new[]    
    {   "-o c:/test.txt",    
        "-dSIMPLE",
        "-sFONTPATH=c:/windows/fonts",
        "-dNODISPLAY",
        "-dDELAYBIND",
        "-dWRITESYSTEMDICT",
        "-f",
        "C:/Program Files/gs/gs9.05/lib/ps2ascii.ps",               
        inputPath,
    };
}

[DllImport("gsdll64.dll", EntryPoint = "gsapi_new_instance")]
private static extern int CreateAPIInstance(out IntPtr pinstance, IntPtr caller_handle);

[DllImport("gsdll64.dll", EntryPoint = "gsapi_init_with_args")]
private static extern int InitAPI(IntPtr instance, int argc, string[] argv);

[DllImport("gsdll64.dll", EntryPoint = "gsapi_exit")]
private static extern int ExitAPI(IntPtr instance);

[DllImport("gsdll64.dll", EntryPoint = "gsapi_delete_instance")]
private static extern void DeleteAPIInstance(IntPtr instance);`

private static object resourceLock = new object();

private static void Cleanup(IntPtr gsInstancePtr)
{
    ExitAPI(gsInstancePtr);
    DeleteAPIInstance(gsInstancePtr);
}

private static object resourceLock = new object();

public static void ConvertPdfToText(string inputPath, string outputPath) 
{ 
    CallAPI(GetArgs(inputPath, outputPath));
}

public static void ConvertPdfToText(string inputPath, string outputPath) 
{ 
    CallAPI(GetArgs(inputPath, outputPath));
}

private static void CallAPI(string[] args)      
{       
    // Get a pointer to an instance of the Ghostscript API and run the API with the current arguments       
    IntPtr gsInstancePtr;   
    lock (resourceLock)     
    {           
        CreateAPIInstance(out gsInstancePtr, IntPtr.Zero);      
        try
        {
            int result = InitAPI(gsInstancePtr, args.Length, args);                    
            if (result < 0)     
            {
                throw new ExternalException("Ghostscript conversion error", result);        
            }       
        }           
        finally     
        {               
            Cleanup(gsInstancePtr);     
        }       
    }   
}

Answer 1

2个问题，2个答案:

要输出到文件，请在命令行上使用-sOutputFile=/path/to/file或添加以下行

 "-sOutputFile=/where/it/should/go",

到您的c#代码(可以是第一个参数，但是应该在您的第一个"-c"之前。但是首先要删除您已经在其中的其他-sOutputFile东西... :-)

不，PostScript不了解Unicode。

更新
(注:(由于各种技术原因)可靠地从PDF提取文本非常困难。无论您尝试使用哪种工具，它都根本无法工作。)
在命令行上，以下两个应该适用于最新版本的Ghostscript(当前版本为v9.05)。这将是你自己的工作...

...测试哪个命令更适合您的用例，以及

...将它们翻译成c#代码。

1. txtwrite设备:

gswin32c.exe ^
   -o c:/path/to/output.txt ^
   -dTextFormat=3 ^
   -sDEVICE=txtwrite ^
    input.pdf

注意:

如果它是64位的，则可能要在系统上使用gswin64c.exe(如果可用)。

输出的-o语法仅适用于最新版本的Ghostscript。

-o语法隐式地设置了-dBATCH和-dNOPAUSE参数。

如果您的Ghostscript太旧并且-o速记表不起作用，请将其替换为-dBATCH -dNOPAUSE -sOutputFile=...。

即使在Windows上，Ghostscript也可以处理路径参数内部的正斜杠。

缺省情况下，-dTextFormat始终设置为3，因此此处不需要。 “合法”值包括:

0:这将输出XML转义的Unicode以及与文本格式(位置，字体名称，磅值等)有关的信息。仅适用于开发人员。

1:与0相同，但将输出文本块。

2:输出带有BMO(字节顺序标记)的Unicode(UCS2)文本；尝试近似原始文档中文本的布局。

3:(默认)与2相同，但是文本使用UTF-8编码。

带有txtwrite修饰符的-dTextFormat设备是Ghostscript的较新 Assets ，因此，如果找到它们，请report bugs。

2.使用ps2ascii.ps

gswin32c.exe ^
   -sstdout=c:/path/to/output.txt ^
   -dSIMPLE ^
   -sFONTPATH=c:/windows/fonts ^
   -dNODISPLAY 
   -dDELAYBIND ^
   -dWRITESYSTEMDICT ^
   -f /path/to/ps2ascii.ps ^
    input.pdf

注意:

这是一种与txtwrite设备完全不同的方法，不能与它混合使用!

ps2ascii.ps是一个文件，是Ghostscript调用以提取文本的PostScript程序。它通常位于Ghostscript installdir的/lib子目录中。去看看它是否真的在那里。

-dSIMPLE可以用dCOMPLEX代替，以便打印出额外的信息行(当前颜色，图像存在，矩形填充)。

-sstdout=...是必需的，因为ps2ascii.ps PostScript程序仅打印到stdout，并且不能被告知写入文件。因此-sstdout=...告诉Ghostscript将其标准输出重定向到文件。

3.非Ghostscript方法
不要忽略其他更容易使用的非Ghostscript方法。以下所有内容都是跨平台的，并且也应在Windows上可用:

mudraw -t已获得GPL许可(或根据需要提供商业许可)。 MuPDF的命令行实用程序，用于从PDF(由执行Ghostscript的同一组开发人员开发)中提取文本。

pdftotextGPL许可。 Poppler的命令行实用程序(这是XPDF的fork，它也提供pdftotext)。

podofotxtextractGPL许可。基于PoDoFo PDF处理库的命令行实用程序。

TET
来自PDFlib.com的Text Extraction Toolkit(商业用途，但可能是免费提供的，仅供我使用-我没有查看最新消息)。可能是所有工具中最强大的文本提取工具...