如何使用MUPDF从PDF提取文本？

Question

我想从PDF中提取文本并将其转移。 我的代码如下：

BOOL CTextEditorDoc::loadTxt()
{
    if(m_strPDFPath.IsEmpty())
        return FALSE;

#ifdef _DEBUG
    DWORD dwTick = GetTickCount();
    CString strLog;
#endif

    CString strFile;
    fz_context *ctx;
    fz_document* doc;

    fz_matrix ctm;
    fz_page *page;
    fz_device *dev;
    fz_text_page *text;
    fz_text_sheet *sheet;
    int i,line,rotation,pagecount;

    if(!gb2312toutf8(m_strPDFPath,strFile))
        return FALSE;

    ctx = fz_new_context(NULL, NULL, FZ_STORE_UNLIMITED);
    fz_try(ctx){
        doc = fz_open_document(ctx, strFile.GetBuffer(0));
    }fz_catch(ctx){
        fz_free_context(ctx);
        return FALSE;
    }

    line = 0;
    rotation = 0;
    pagecount = 0;
    pagecount = fz_count_pages(doc);

    fz_rotate(&ctm, rotation);
    fz_pre_scale(&ctm,1.0f,1.0f);

    sheet = fz_new_text_sheet(ctx);
    for(i=0;i<pagecount;i++){
        page = fz_load_page(doc,i);
        text = fz_new_text_page(ctx);
        dev = fz_new_text_device(ctx, sheet, text);

#ifdef _DEBUG
        dwTick = GetTickCount();
#endif
        fz_run_page(doc, page, dev, &ctm, NULL);

#ifdef _DEBUG
        strLog.Format("run page:%d ms\n",GetTickCount() - dwTick);
        OutputDebugString(strLog);
        dwTick = GetTickCount();
#endif

        //m_linesInfoVector.push_back(line);
        print_text_page(ctx,m_strContent,text,line);

#ifdef _DEBUG
        strLog.Format("print text:%d ms\n",GetTickCount() - dwTick);
        OutputDebugString(strLog);
        dwTick = GetTickCount();
#endif

        fz_free_device(dev);
        fz_free_text_page(ctx,text);
        fz_free_page(doc, page);
    }

    fz_free_text_sheet(ctx,sheet);
    fz_close_document(doc);
    fz_free_context(ctx);
    return TRUE;
}

该代码可以提取PDF的所有文本，但可能太慢了。如何改进它？ 大部分时间都花在函数

fz_run_page

中。也许只是从PDF中提取文本，我不需要执行

fz_run_page

？
    

快速浏览您的代码看起来不错。

Answer 1

，简而言之，您正在做正确的事情。

没有当前的用户维修方法来提高此速度。我们可能可以使用设备提示避免在以后的版本中读取图像等。我将对此思考并与其他开发人员进行讨论。但是现在你在做正确的事情。

Hth.

不，需要fz_run_page调用。您需要解释文档的页面以拔出文本，这就是fz_run_page所做的。

可能会创建一个更简单的文本设备，以避免跟踪角色位置，但我怀疑这会对性能产生真正的影响。

warning：这是一个非常旧的线程，不再可以以这种方式提取文本（例如，MUPDF不再导出）。我浪费了整整一个早晨，因为副驾驶员似乎在推荐具有相同性质的代码。

我正在尝试找到“现代”做到这一点（使用

Answer 2

？），并将其报告回报