pdf to txt 方法讨论一下。。。(300分)

折腾了一天。。aerial 2.0是最好用的。虽然对中文做的不好。。

大家谈谈看法。。可能自己编程实现吗。。有什么好控件和思路

http://hem.spray.se/joakim.slettengren/

我也在找。。。。。。。

我倒是有pdf的格式文档说明，很烦的。

daiwei:给我一份好吗

留下email阿

pdf 文档不是可以看吗？
干什么要转换呢？
要装中文字库才可以看得。

wordboy@163.net

呵呵。。忘了。。谢谢

能给我(comnetcom@163.net)一份PDF格式档吗，我找了半天没找到，而且我也正在做这个
http://www.delphibbs.com/delphibbs/dispq.asp?lid=726660

the download add: www.xhrc.net/pdf.zip

http://www.lowagie.com/iText/

试一试这个，听说可以
http://www.pdfimage.com/pdf/PDF2HTM2.0.zip

试一试这个，听说可以
http://www.pdfimage.com/pdf/PDF2HTM2.0.zip[]

不是要工具，要资料

PDFtoTXT 调用用pstotxt1.dll (Win16),pstotxt3.dll(Win32)！
http://www.research.compaq.com/SRC/virtualpaper/pstotext.html 有源码！

呵呵，我曾经专门作过针对PDF的浏览器（不是Adobe的）......

1、概念：
1）Adobe的PDF文件是首先针对打印，而不是显示，它的Font和其余一些概念都是照搬
PostScript（也是Adobe的），可以算得上是PostScript的一个子集，相关格式、
资料全部是公开的，可以去Adobe下载；
3）PDF文件格式容纳的东东很多，因为格式文档里有，在此不再赘述，但是Font是
PDF文件格式的重中之重；
2）Adobe PDF文件显示文字也是以打印为基础的。
PDF文件里每一种制定的Font并不是像一般字体一样给出的是信息，而是一段代码；
换句话说：PDF文件的字体是开放的，可以由任何人创作，但是创作字体的人必须
写一段程序来教Acrobat如何画出这种字体！！！
所以PDF文档的打印效果实在是一流的，而且理论上可以达到完美的效果！
这就注定了PDF文件的字体只是考虑打印、显示，并不考虑编码，这也就带来了
PDFToTxt的困难。
而每一个PDF文件都将Font信息随身携带，于是，PDF文件的大小和文本文档就有得一
比了......
3）但是因为给出字体的信息是程序，这就必然导致了字体编码和程序代码的联系转换问题。
如果Adobe的字体编码和外界的编码（Unicode等）有联系、有转换关系，则可以转
换，如果没有联系，则无法转换。因为Font理论上是可以由任何人创造的，Adobe也
无法控制，所以如果字体作者不使用公开的转换关系的话，没有人能把文字Copy出来；
还有一种情况是这样的：比如文件中只使用了20个汉字，而这个PDF文件如果把所有的
6万多个汉字都带在身上，显然没有必要；于是他便用0~19来标示这20个汉字的ID，
0~19分别对应20段程序，来画出这20个汉字。遇到这种情况，就是大罗金仙也没法将
他们copy出来（我说的是通用的程序实现）
这也就是为什么有时候在Acrobat里面浏览的好好的，Copy出来就是一堆乱码的原因了。
所以说君子有所为，有所不为，如果Acrobat也只能将文字显示出来，并不能知晓它的
编码的时候，任何PDFToTxt程序都是没法将它提取出来的（包括Adobe自己！）。
4）在PDF文件中，Font分为四种（很久没做了，名字记不清了，可以查到）。Font中间的
FontType1编码可以按照一定的规律转换，FontType2就是Unicode，因为开发成本所限，
我们的浏览器无法支持所有的Font。如果要研究Font，我这里有几十兆的文档！！！
需要完整地处理所有Font的话，我们需要浏览PostScript的格式以及一系列的Font格式
补充说明，这是PDF文件格式的信息量所不能比拟的......
但是，如果要做PDFToTxt，就必须研究所有可能转换出Txt的Font，苦啊！
3）按照PDF文档规范要求：PDF文件是可以加密的。
加密分三层：
第一层：不输入密码不可以修改文件；
第二层：不输入密码不可以Copy文件中的文字（相信很多人之所以想要PDFToTxt，
就是因为这个了）
第三层：不输入密码不可以访问文件。

2、处理方法：
只处理PDF文件中的Font信息，将有可能转换的Font通过计算，转换为正常编码.

3、虽然我做过PDF浏览器，但是因为保密协议限制，我不能将做过的源程序发给你，
而且我的可执行程序是CE上的 不知道您有没有CE？ 不过我可以介绍一个
很好的PDF浏览器，带源码的，叫XPDF，在Linux平台上工作，效果相当惊人！
（不过我们所作的PDF浏览器在很多地方已经比他强了）
基本上是我们所看到的最好的免费PDF浏览器了！在他的站点上还有他们做的
PDFToTxt，也是我所看到的最好的PDFToTxt了。不过，它依然存在着我上面所说的局限性。

另外，如果还有疑问，可以与我联系。
最近半个月可能没法保持通讯，一个月以后就没事了。

Adobe自己都说如果在创建PDF时使用“嵌入字体”的话，将很难还原!

多人接受答案了。