Newer
Older
<?php
//
// Lit un document 'pdf' et extrait son contenu en texte brut
//
// NOTE : l'extracteur n'est pas oblige de convertir le contenu dans
// le charset du site, mais il *doit* signaler le charset dans lequel
// il envoie le contenu, de facon a ce qu'il soit converti au moment
// voulu ; dans le cas contraire le document sera lu comme s'il etait
// dans le charset iso-8859-1
function extracteur_pdf($fichier, &$charset) {
/* methode tout PHP
$pdf = new Format_PDF;
$texte = $pdf->extraire_texte($fichier);
echo $texte;
exit;
*/
# metamail
exec('metamail -d -q -b -c application/pdf '.escapeshellarg($fichier), $r, $e);
# l'option "-enc utf-8" peut echouer ... dommage !
exec('pdftotext '.escapeshellarg($fichier).' -', $r, $e);
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
}
// Sait-on extraire ce format ?
// TODO: ici tester si les binaires fonctionnent
$GLOBALS['extracteur']['pdf'] = 'extracteur_pdf';
//
// Methode tout PHP (a tester)
//
class Format_PDF {
var $trans_chars;
var $flag_mono, $flag_brut;
function convertir_caracteres($texte) {
if (!$this->trans_chars) {
// Caracteres speciaux
$this->trans_chars = array(
// ligatures typographiques (!)
chr(2) => 'fi',
chr(3) => 'fl',
chr(174) => 'fi',
chr(175) => 'fl',
// "e" accent aigu
chr(0) => chr(233)
);
}
$texte = strtr($texte, $this->trans_chars);
// Caracteres non-ascii codes en octal
while (preg_match(',\\\\([0-7][0-7][0-7]),', $texte, $regs)) {
$c = chr(octdec($regs[1]));
$texte = str_replace($regs[0], $c, $texte);
$this->trans_chars[$regs[0]] = $c;
}
return $texte;
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
function recoller_texte($stream) {
static $chars_voyelles, $chars_fusion, $chars_caps, $chars_nums, $bichars_fusion;
if (!$chars_voyelles) {
$chars_voyelles = array('a'=>1, 'e'=>1, 'i'=>1, 'o'=>1, 'u'=>1, 'y'=>1);
$chars_fusion = array('v'=>1, 'w'=>1, 'x'=>1, 'V'=>1, 'W'=>1, 'T'=>1);
$chars_caps = array('A'=>1, 'B'=>1, 'C'=>1, 'D'=>1, 'E'=>1, 'F'=>1, 'G'=>1,
'H'=>1, 'I'=>1, 'J'=>1, 'K'=>1, 'L'=>1, 'M'=>1, 'N'=>1,
'O'=>1, 'P'=>1, 'Q'=>1, 'R'=>1, 'S'=>1, 'T'=>1, 'U'=>1,
'V'=>1, 'W'=>1, 'X'=>1, 'Y'=>1, 'Z'=>1);
$chars_nums = array('0'=>1, '1'=>1, '2'=>1, '3'=>1, '4'=>1, '5'=>1, '6'=>1, '7'=>1, '8'=>1, '9'=>1);
$bichars_fusion = array('ve'=>1, 'vo'=>1, 'ev'=>1, 'ov'=>1,
'xe'=>1, 'xo'=>1, 'ox'=>1, 'ex'=>1,
'we'=>1, 'wo'=>1, 'ow'=>1, 'ew'=>1, 'ff'=>1);
}
// Longueur max pour limiter les erreurs d'extraction
$chaine_len = 140;
$stream = preg_split(",\)[^(]*\(,", $stream);
$extrait = '';
$fini = false;
$this->flag_brut = false;
// Cette boucle est capable de basculer entre deux trois d'execution :
// - normal (plusieurs caracteres par chaine avec fusion)
// - brut (plusieurs caracteres par chaine sans fusion)
// - mono (un caractere par chaine)
while (1) {
if ($this->flag_mono) {
// Un caractere par chaine : fusion rapide
while (list(, $s) = each($stream)) {
if (strlen($s) != 1) {
if (strlen($s) < $chaine_len) $extrait .= $s;
$this->flag_mono = false;
break;
}
$extrait .= $s;
}
if ($this->flag_mono) break;
}
else if ($this->flag_brut) {
// Concatenation sans fusion
while (list(, $s) = each($stream)) $extrait .= $s;
break;
}
$prev_s = '';
$prev_c = '';
$prev_l = 0;
$nb_mono = 0;
$nb_brut = 0;
// Cas general : appliquer les regles de fusion
while (list(, $s) = each($stream)) {
$l = strlen($s);
if ($l >= $chaine_len) continue;
$c = $s{0};
// Annulation de la cesure
if ($prev_c == '-') {
$extrait .= substr($prev_s, 0, -1);
}
else {
$extrait .= $prev_s;
$len_w = strpos($s.' ', ' ');
$prev_len_w = $prev_l - strrpos($prev_s, ' ');
$court = ($prev_len_w < 3 OR $len_w < 3);
// Heuristique pour separation des mots
if (/*$len_w == 1 OR $prev_len_w == 1
OR */($court AND ($chars_fusion[$prev_c] OR $chars_fusion[$c]
OR ($chars_caps[$prev_c] AND ($chars_caps[$c] OR $chars_nums[$c]))))
OR ($prev_c == 'f' AND $chars_voyelles[$c])
OR $bichars_fusion[$prev_c.$c]) {
}
else $extrait .= ' ';
}
$prev_c = $s{$l - 1};
$prev_s = $s;
$prev_l = $l;
// Detection du format mono-caractere
if ($l == 1) {
if (++$nb_mono >= 3) {
$this->flag_mono = true;
break;
}
}
else {
$nb_mono = 0;
if ($c == ' ' OR $prev_c == ' ') {
$this->flag_brut = true;
break;
}
}
}
$extrait .= $prev_s;
if (!$this->flag_mono && !$this->flag_brut) break;
}
return $extrait;
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
function extraire_texte($fichier) {
$source_len = 1024*1024;
$stream_len = 20*1024;
$texte_len = 40*1024;
$f = fopen($fichier, "rb");
if (!$f) die ("Fichier $fichier impossible a ouvrir");
$in_stream = false;
// Decouper le fichier en objets
unset($objs);
$objs = fread($f, $source_len);
$objs = preg_split('/[\s>]endobj\s+/', $objs);
# echo "<h3>".count($objs)." objets prsents dans le buffer</h3>";
// Parcourir le fichier pour trouver les streams
reset($objs);
$n = count($objs);
for ($i = 0; $i < $n; $i++) {
$obj = $objs[$i];
if (!$in_stream) {
// Stream (eviter les commentaires)
$ok = preg_match("/stream(\r\n?|\n)/", $obj); // version rapide d'abord
if ($ok) $ok = preg_match("/[\r\n](([^\r\n%]*[ \t>])*stream(\r\n?|\n))/", $obj, $regs);
if (!$ok) continue;
$p = strpos($obj, $regs[1]);
$t = substr($obj, $p + strlen($regs[1]));
$stream = "";
$in_stream = true;
$obj_text = substr($obj, 0, $p + strlen($regs[1]));
// Parasites avant et apres
//$obj_text = preg_replace("/^\s+obj\s+/", "", $obj_text);
//$obj_text = preg_replace("/(\s+endobj)\s+.*$/", "\\1", $obj_text);
// Commentaires
$obj_text = preg_replace("/\\\\%/", ' ', $obj_text);
$obj_text = preg_replace("/%[^\r\n]*[\r\n]+/", '', $obj_text);
// Dictionnaire
$obj_dict = "";
//if (ereg("<<(.*)>>", $obj_text, $regs))
if (preg_match("/<<(.*)>>/s", $obj_text, $regs)) // bug ?!
$obj_dict = $regs[1];
# echo "<hr>";
# echo "Objet numro $i<p>";
# echo "<pre>".htmlspecialchars($obj_text)."</pre>";
}
else {
$t = " endobj ".$obj; // approximation
}
unset($obj);
// Recoller les morceaux du stream (au cas ou un "obj" se trouvait en clair dans un stream)
if ($in_stream) {
if (!($p = strpos($t, "endstream")) && !($q = strpos($t, "endobj"))) {
$stream .= $t;
# echo "<font color='red'>Stream continu</font><p>";
continue;
}
$in_stream = false;
if ($p) $stream .= substr($t, 0, $p);
else $stream .= substr($t, 0, $q);
unset($t);
// Decoder le contenu du stream
$encoding = '';
if (preg_match(",/Filter\s*/([A-Za-z]+),", $obj_dict, $regs))
$encoding = $regs[1];
switch($encoding) {
case 'FlateDecode':
$stream = gzuncompress($stream); // pb avec certains PDFs !?
break;
case '':
break;
default:
$stream = '';
}
/*if (preg_match("/\(d.marrage:\)/", $stream, $regs)) {
$fs = fopen("demarrage.txt", "w");
fwrite($fs, $regs[0]);
fclose($fs);
exit;
}*/
}
if (!$stream) continue;
# echo "Stream : ".strlen($stream)." octets<p>";
// Eviter les fontes embarquees, etc.
if (preg_match(',^%!,', $stream)) {
unset($stream);
continue;
}
// Detection texte / binaire
$stream = substr($stream, 0, $stream_len);
$stream = str_replace('\\(', ",", $stream);
$stream = str_replace('\\)', ",", $stream);
$n1 = substr_count($stream, '(');
$n2 = substr_count($stream, ')');
$freq = (substr_count($stream, ' ') + $n1 + $n2) / strlen($stream);
if ($freq < 0.04 || (!$n1 && !$n2)) {
# echo "no text (1)<p>";
//echo htmlspecialchars($stream);
unset($stream);
continue;
}
$dev = abs($n1 - $n2) / ($n1 + $n2);
if ($dev > 0.05) {
# echo "no text (2)<p>";
unset($stream);
continue;
}
// Extraction des chaines
if (strpos($stream, '<<') && strpos($stream, '>>'))
$stream = preg_replace(',<<.*?'.'>>,s', '', $stream); // bug avec preg
$stream = substr($stream, strpos($stream, '(') + 1);
$stream = substr($stream, 0, strrpos($stream, ')')); // ici un bug occasionnel...
$stream = $this->convertir_caracteres($stream);
$extrait = $this->recoller_texte($stream);
unset($stream);
$texte .= $extrait;
// Se limiter a une certaine taille de texte en sortie
if (strlen($texte) > $texte_len) {
$texte = substr($texte, 0, strrpos(substr($texte, 0, $texte_len), ' '));
break;
}
fclose($f);
return $texte;
