Download the PHP package thikdev/pdf_parser without Composer
On this page you can find all versions of the php package thikdev/pdf_parser. It is possible to download/install these versions without Composer. Possible dependencies are resolved automatically.
Informations about the package pdf_parser
Parse pdf file to Object
Chuyển đổi pdf file thành dạng Object Document với các thành phần con
cũng là các dạng Object : Component
, Line
, Page
, ...
Flow
PdfToHtml
- Sử dụng pdftohtml trong bộ poppler-utils để chuyển đổi file pdf thành xml
Make simple document
- Bước này đơn giản là parse các dòng xml (Không parse dom) thành các object cơ bản nhất
- Page
- Font
- Text
Processors
Các nước làm Document chuẩn hơn gọi là Process, thứ tự process ảnh hưởng rất nhiều vào đầu ra
Core Process :
- Detect Margin
- FontClassify
- DetectExtraContent
- MergeComponents
1. Detect Margin
Ý tưởng của margin là xác định khung nhỏ nhất chứa toàn bộ các Text Component, margin được lưu lại vào từng trang.
2. FontClassify
Tính toán mức độ phổ biến của các font khác nhau để đưa ra font size phổ biến nhất, các font có font size thuộc dạng phổ biến nhất được coi là font chữ thường. Từ đó khi in ra html có thể sử dụng font-size theo % để hiển thị kích thước giống pdf hơn
3. DetectExtraContent
Mục này tính toán tìm ra header/footer, extra left/right (chưa làm). Ý tưởng đơn giản là xét các nhóm trang thuộc trang chẵn/lẻ. Với mỗi trang trong nhóm, đi từ top xuống dần dần từng khoảng (~22px), xác định text trong khu vực này, so sánh sự khác nhau, nếu chỉ khác nhau không quá 2 chỗ, và các ký tự khác nhau chỉ là số hoặc ivx(số la mã) thì coi là phù hợp khả năng là header, sau đó mở rộng tiếp thêm xuống dưới cho đến khi không đủ điều kiện thì điểm thoả mã trước đó chính là giới hạn header. Với footer tương tự nhưng đi từ dưới lên.
Lưu ý :
- Tìm vị trí khác nhau sử dụng FineDiff base từ https://github.com/gorhill/PHP-FineDiff
- "khác nhau không quá 2 chỗ" là do một số tài liệu, phần header/footer bị extract được 2 lần
- Đối với ngỗn ngữ không phải latin, có các ký tự khác biểu diễn số, ví dụ Nhật bản 123 khác 123
4. MergeComponents
Usage
Simple
Add custom process
- Extend
AbstractProcess
- Add to pipeline by
addProcessBefore
,addProcessAfter
, orreplaceProcess
Add custom Component
- Extend
Component
class and use it in your process class
All versions of pdf_parser with dependencies
symfony/console Version ^5.0|^6.0|^7.0
voku/portable-utf8 Version ^5.0|^6.0