PDF文本搜索和拆分库

我的公司, Atalasoft ,刚刚发布了一些在.NET上运行的PDF操作工具。有一个文本提取类,您可以使用它来查找文本并确定如何拆分文档,还有一个非常高级的文档类,它使拆分变得非常简单。假设您有一个到源PDF的流和一个日益有序的列表,该列表描述了每个拆分的起始页,那么生成拆分文件的代码如下所示:

public void SplitPdf(Stream stm, List<int> pageStarts, string outputDirectory)
{
    PdfDocument mainDoc = new PdfDocument(stm);
    int lastPage = mainDoc.Pages.Count - 1;

    for (int i=0; i < pageStarts.Count; i++) {
        int startPage = pageStarts[i];
        int endPage= (i < pageStarts.Count - 1) ?
            pageStarts[i + 1] - 1 :
            lastPage;
        if (startPage > endPage) throw new ArgumentException("list is not ordered properly", "pageStarts");
        PdfDocument splitDoc = new PdfDocument();
        for (j = startPage; j <= endPage; j++)
            splitDoc.Pages.Add(mainDoc.Pages[j];

        string outputPath = Path.Combine(outputDirectory, 
                                         string.Format("{0:D3}.pdf", i + 1));
        splitDoc.Save(outputPath);
    }

如果将其归纳为页面范围结构:

public struct PageRange {
    public int StartPage;
    public int EndPage;
}

哪里 StartPage 和 EndPage 包含性地描述一系列页面,则代码更简单:

public void SplitPdf(Stream stm, List<PageRange> ranges, string outputDirectory)
{
    PdfDocument mainDoc = new PdfDocument(stm);

    int outputDocCount = 1;
    foreach (PageRange range in ranges) {
        int startPage = Math.Min(range.StartPage, range.EndPage); // assume not in order
        int endPage = Math.Max(range.StartPage, range.EndPage);
        PdfDocument splitDoc = new PdfDocument();
        for (int i=startPage; i <= endPage; i++)
            splitDoc.Pages.Add(mainDoc.Pages[i]);
        string outputPath = Path.Combine(outputDirectory, 
                                         string.Format("{0:D3}.pdf", outputDocCount));
        splitDoc.Save(outputPath);
        outputDocCount++;
    }
}

PDFBox是一个Java库,但它也有一些命令行工具:

http://pdfbox.apache.org/

pdfbox可以提取文本,也可以重建/拆分pdf

pdfminer + multi-line pattern matching in python

你可以用 pdfsam 要将文件拆分为页面,请使用pdftoext(从 foolabs.com )要将其转换为文本并使用ruby(或grep)查找字符串。然后您就有了页面范围,可以返回以前生成的页面。