PHP讀取PDF內容（LINUX下XPDF的配置和使用）

        最近領導拍腦袋想出了一個需求，要我讀取PDF裡面的內容，並且入庫存為本文，用來搜尋。

        一.下載

        首先，我們先把資料下下來先。在這裡：http://www.foolabs.com/xpdf/download.html

        如果不需要轉中文的話，只需要下載它就可以：xpdf-bin-linux-3.03.tar，如果需要轉中文，那你就還需要它了：xpdf-chinese-simplified.tar

       二.安裝

       現在，下載完畢了吧，我們可以進行安裝了。

       [root@localhost ~]# mkdir -p /lcf/upan
       [root@localhost ~]# mkdir -p /lcf/cdrom
       [root@localhost ~]# mkdir -p /lcf/xpdf
      
       [root@localhost ~]# cd /lcf/upan/

       [root@localhost upan]# cp xpdf/* ../xpdf/ （下載的檔案放入/lcf/xpdf目錄）
       [root@localhost upan]# cd ../xpdf/

       [root@localhost xpdf]# tar -zxvf xpdfbin-linux-3.03.tar.gz

       [root@localhost xpdf]# cd xpdfbin-linux-3.03

       [root@localhost xpdfbin-linux-3.03]# cat INSTALL

       [root@localhost xpdfbin-linux-3.03]# cd bin32/
       [root@localhost bin32]# cp ./* /usr/local/bin/

       [root@localhost bin32]# cd ../doc/

       [root@localhost doc]# mkdir -p /usr/local/man/man1
       [root@localhost doc]# mkdir -p /usr/local/man/man5
       [root@localhost doc]# cp *.1 /usr/local/man/man1
       [root@localhost doc]# cp *.5 /usr/local/man/man5

      

       如果不需要讀取中文的話，到這裡就可以結束了，如果需要，那我們繼續往後

       [root@localhost doc]# cp sample-xpdfrc /usr/local/etc/xpdfrc

       [root@localhost xpdf]# cd /lcf/xpdf

       [root@localhost xpdf]# tar -zxvf xpdf-chinese-simplified.tar.gz
       [root@localhost xpdf]# cd xpdf-chinese-simplified
       [root@localhost xpdf]# mkdir -p/usr/local/share/xpdf/chinese-simplified
       [root@localhost xpdf]# cd xpdf-chinese-simplified/

       [root@localhost xpdf-chinese-simplified]# cp Adobe-GB1.cidToUnicode ISO-2022-CN.unicodeMap EUC-CN.unicodeMap GBK.unicodeMap CMAP /usr/local/share/xpdf/chinese-simplified/

      

        把chinese-simplified裡面檔案add-to-xpdfrc 的內容複寫到/usr/local/etc/xpdfrc檔案中。記得裡面的路徑要正確。（注意，這裡面的簡體中文包包括以下三種格式：ISO-2022-CN，EUC-CN，GBK ，看清楚哦，不支援UTF-8，可以先轉為GBK，然後進行轉義）

 

       三.功能實現

      至此，所有的配置完畢，我們要開始使用它了。

      如果是簡單的PDF讀取，那麼直接用下面的語句就OK了。

       $content = shell_exec('/usr/local/bin/pdftotext '.$filename.' -');

  


   如果需要轉中文，如此這般，加上參數。

   $content = shell_exec('/usr/local/bin/pdftotext -layout -enc GBK '.$filename.' -');

   當然，加了參數之後依然是不影響英文的轉換的，所以，放心使用吧。需要注意的是，這裡轉出來的是GBK編碼的哦，現在網站很多用的是UTF-8，想要不顯示亂碼的話，需要再次轉義一下哦。

   $content = mb_convert_encoding($content, 'UTF-8','GBK');

   至此，就大功告成了。讀取出來的內容，你想如何使用，再寫代碼處理吧。




   最後加一下pdftotext 的參數說明給大家。


   主要參數如下:

OPTIONS
Many of the following options can be set with configuration file com-
mands. These are listed in square brackets with the description of the
corresponding command line option.

-f number
Specifies the first page to convert.

-l number
Specifies the last page to convert.

-layout
Maintain (as best as possible) the original physical layout of
the text. The default is to 'undo' physical layout (columns,
hyphenation, etc.) and output the text in reading order.

-fixed number
Assume fixed-pitch (or tabular) text, with the specified charac-
ter width (in points). This forces physical layout mode.

-raw Keep the text in content stream order. This is a hack which
often "undoes" column formatting, etc. Use of raw mode is no
longer recommended.

-htmlmeta
Generate a simple HTML file, including the meta information.
This simply wraps the text in <pre> and </pre> and prepends the
meta headers.

-enc encoding-name