WebSVN – Sites.tela-botanica.org – /trunk/actu/extract_pdf.php

<?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;
        */

        $charset = 'iso-8859-1';

        # metamail
        exec('metamail -d -q -b -c application/pdf '.escapeshellarg($fichier), $r, $e);
        if (!$e) return join(' ', $r);

        # pdftotext
        # http://www.glyphandcog.com/Xpdf.html
        # l'option "-enc utf-8" peut echouer ... dommage !
        exec('pdftotext '.escapeshellarg($fichier).' -', $r, $e);
        if (!$e) return join(' ', $r);
}

// 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;
        }

        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;
        }

        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 présents 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 numéro $i<p>";
#                               echo "<pre>".htmlspecialchars($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 continué</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;
        }

} // class


?>
Subversion Repositories Sites.tela-botanica.org

(root)/trunk/actu/extract_pdf.php – Rev 4
