2

Пытаюсь с помощью php прочитать поле author(title, keywords) у pdf файла. Использовал TCPDF, при этом файл парсится на объекты, но поля не являются чистыми а содержат примеси из разных символов - возможно ли, что это какое-то сжатие и если да то как от них избавится?

Парсится поле следующего вида, хотя по факту оно чистое:

��<�?xml version='1.0' encoding='cp1251'?><�stamps><�stamp></�stamp></�stamps>

1
  • А кто-нибудь может подсказать шаблон регулярки, чтобы искало строку, которая, начиналась begin кончалась на end и содержало content?
    – culebre
    5 дек 2011 в 12:44

2 ответа 2

2

Информация в pdf может сжиматься двояко:

  • сжатие данных (текст, картинки и т.п.),
  • сжатие структуры файла.

Алгоритмы сжатия применяются разные, для текста это обычно Flate или LZW. Подробнее здесь.

0
 str_replace('�', '', $data); // xD
6
  • Нет это он в этой кодировке так выглядит а по факту там куча разных символов. Наверное я бы сам бы догадался, что делать если бы символы имели однородность. Вот вариант в cp1251:<br> юя<�?xml version='1.0' encoding='cp1251'?><�stamps><�stamp><�department>яэяэяэяэяэяэ/department><�responsiblePerson>яэяэяэя
    – culebre
    5 дек 2011 в 11:17
  • Подчеркиваю содержимое xml полностью отсутствует.
    – culebre
    5 дек 2011 в 11:18
  • может такой pdf?..
    – user3545
    5 дек 2011 в 11:33
  • Похоже, что они в начале каждого тэга. Может быть это какая-то длина (количество) ? Если все "лишние" символы таковы (в начале тэгов), то их можно распознать и удалить.
    – avp
    5 дек 2011 в 11:45
  • непонятный символ после угловой скобки возможно экранирование, потому, что он встречается повсюду, а остальные не очень понятны. В начале их можно распознать даже отбросить до <?xml, но что за ерунда в середине между тегами?
    – culebre
    5 дек 2011 в 12:09

Ваш ответ

By clicking “Отправить ответ”, you agree to our terms of service and acknowledge you have read our privacy policy.

Всё ещё ищете ответ? Посмотрите другие вопросы с метками или задайте свой вопрос.