0

La idea es que a través de un simple formulario buscador, pueda devolver el resultado solicitado buscando en varios PDFs de un directorio, ese buscador tiene que buscar dentro de los pdf que son de texto, generalmente lo hago todo en PHP, pero si tengo que usar Javascript no hay problema. Hice algo similar con strpos de PHP buscando en unn txt plano, pero si hago eso con PDF no funciona porque es binario.

Bien, ya casi conseguí lo que quiero, solo que ahora el buscador hay algunas palabras que no las encuentra, el código queda así:

 <meta charset="UTF-8">
<meta name="viewport" content="width=device-width, initial-scale=1.0, user-scalable=no">


<form action="" method="post">
    <input type="text" name="buscar">
    <input type="submit" name="Submit" value="Buscar">
</form>


<?php




if(isset($_POST['Submit'])) {



include_once('class.pdf2text.php');

$directorio = opendir("./pdf"); //ruta actual
while ($archivo = readdir($directorio)) //obtenemos un archivo y luego otro sucesivamente
{



        $url = 'pdf/'.$archivo;

$a = new PDF2Text();
$a->setFilename($url);
$a->decodePDF();
$pdf = utf8_encode($a->output());


$larCharsNoAble = array("Ñ","á","é","í","ó","ú","Á","É","Í","Ó","Ú","ñ","À","Ã","Ì","Ò","Ù","Ù","à ","è","ì","ò","ù","ç","Ç","â","ê","î","ô","û","Â","Ê","ÃŽ","Ô","Û","ü","ö","Ö","ï","ä","«","Ò","Ã","Ä","Ë");
$larCharsAble = array("N","a","e","i","o","u","A","E","I","O","U","n","N","A","E","I","O","U","a","e","i","o","u","c","C","a","e","i","o","u","A","E","I","O","U","u","o","O","i","a","e","U","I","A","E");
$texto = str_replace($larCharsNoAble, $larCharsAble, $pdf);






$cadena_solicitada   = $_POST['buscar'];
$larCharsNoAble = array("Ñ","á","é","í","ó","ú","Á","É","Í","Ó","Ú","ñ","À","Ã","Ì","Ò","Ù","Ù","à ","è","ì","ò","ù","ç","Ç","â","ê","î","ô","û","Â","Ê","ÃŽ","Ô","Û","ü","ö","Ö","ï","ä","«","Ò","Ã","Ä","Ë");
$larCharsAble = array("N","a","e","i","o","u","A","E","I","O","U","n","N","A","E","I","O","U","a","e","i","o","u","c","C","a","e","i","o","u","A","E","I","O","U","u","o","O","i","a","e","U","I","A","E");
$post = str_replace($larCharsNoAble, $larCharsAble, $cadena_solicitada);


$posicion_coincidencia = stripos($texto, $post);




if ($posicion_coincidencia == true) {
    echo 'Se ha encontrado "'.$post.'"" en el archivo <a href="'.$url.'">'.$archivo.'</a><br>';
} 


 }

}


?>
8
  • 2
    El formato PDF es muy complejo y tiene tratamientos distintos según el lenguaje que quieras usar para su lectura o edición. Commented el 20 ene. 2017 a las 9:36
  • ¿Probaste algo de lo que te propuse? Commented el 21 ene. 2017 a las 0:57
  • Hola @OscarGarcia, está genial! con lo que estoy luchado ahora es con la lectura múltiple de pdf, o conversión, porque el buscador entiende perfecto y va rápido, el problema es que le tengo que poner manualmente en el código la url, intenté con variable en $a->setFilename('archivo.pdf'); pero no puedo, todo el código queda mas o menos así:
    – Pablo
    Commented el 21 ene. 2017 a las 5:02
  • <meta charset="UTF-8"> <?php include('class.pdf2text.php'); $directorio = opendir("./pdf"); //ruta actual while ($archivo = readdir($directorio)) //obtenemos un archivo y luego otro sucesivamente { echo $archivo . "<br />"; $a = new PDF2Text(); $a->setFilename('archivo.pdf'); $a->decodePDF(); $pdf = utf8_encode($a->output());
    – Pablo
    Commented el 21 ene. 2017 a las 5:08
  • $cadena_buscada = $_POST['buscar']; $posicion_coincidencia = strripos($pdf, $cadena_buscada); } if ($posicion_coincidencia === false) {echo "NO se ha encontrado la palabra deseada!!!!";} else {echo "Éxito!!! Se ha encontrado la palabra buscada en la posición: ".$posicion_coincidencia;} ?>
    – Pablo
    Commented el 21 ene. 2017 a las 5:08

1 respuesta 1

3

Si lo que necesitas es acceder al contenido de texto de un documento PDF tienes varias formas de hacerlo.

Una de ellas es usando esta clase: http://pastebin.com/dvwySU1a

Uso:

include('class.pdf2text.php');
$a = new PDF2Text();
$a->setFilename('test.pdf');
$a->decodePDF();
echo $a->output();

Y otra opción sería usar una herramienta CLI (pdftotext por ejemplo) para ser llamada, por ejemplo, haciendo uso de system() o, mejor aún, el operador comilla invertida:

$texto = `pdftotext -raw document.pdf`;

Edición: Como he probado la librería que te recomendé y no funciona demasiado bien (pdftotext sí lo hace perfectamente), te recomiendo ésta otra llamada pdfparser que debe instalarse a través de composer usando, por ejemplo, php composer.phar require smalot/pdfparser.

<!DOCTYPE html>
<html>
  <head>
    <meta charset="UTF-8">
    <meta name="viewport" content="width=device-width, initial-scale=1.0, user-scalable=no">
    <title>Buscador de PDFs</title>
  </head>

  <body>
    <form action="<?= $_SERVER['PHP_SELF'] ?>" method="post">
      <input type="text" name="buscar" placeholder="Palabras a buscar"
             value="<?= isset($_POST['buscar'])?htmlspecialchars($_POST['buscar']):'' ?>" />
      <input type="submit" value="Buscar" />
    </form>
<?php
if (isset($_POST['buscar'])) {
  include 'vendor/autoload.php';
  /* Configurar 'es_ES.UTF8' o cualquier local UTF-8 disponible para quitar
    el que viene por defecto, POSIX, que no funciona correctamente. Ojo con la
    local 'C.UTF-8': no convierte signos de puntuación como exclamaciones. */
  setlocale(LC_CTYPE, 'es_ES.UTF-8', 'es.UTF-8', 'C.UTF-8');
  $post = strtolower(iconv(mb_detect_encoding($_POST['buscar'], 'utf-8,iso-8859-15'), 'ASCII//TRANSLIT', $_POST['buscar']));
  echo "<p>Buscando la/s palabra/s '", htmlspecialchars($post), "'</p>\n";
  /* Subdirectorio "pdf" dentro de la ruta actual */
  $directorio = opendir(__DIR__ . '/pdf');
  /* Vamos obteniendo los archivos uno a otro */
  while ($archivo = readdir($directorio)) {
    /* Si el archivo no tiene extensión '.pdf' pasamos al siguiente */
    if (!preg_match('/\.pdf$/i', $archivo)) {
      continue;
    }
    /* Obtenemos el contenido del archivo PDF */
    $parser = new \Smalot\PdfParser\Parser();
    $pdf = $parser->parseFile(__DIR__ . '/pdf/' . $archivo);
    $texto = $pdf->getText();
    /* Normalizamos el contenido del documento PDF igual que hicimos con la consulta */
    $texto = strtolower(iconv(mb_detect_encoding($texto, 'utf-8,iso-8859-15'), 'ASCII//TRANSLIT', $texto));
    echo "<p>Probando en el archivo '", htmlspecialchars($archivo), "': '" . htmlspecialchars($texto) . "'</p>\n";
    $posicion_coincidencia = strpos($texto, $post);
    if ($posicion_coincidencia !== false) {
      echo 'Se ha encontrado "', htmlspecialchars($post), '" en el archivo <a href="pdf/', urlencode($archivo), '">',
        htmlspecialchars($archivo), '</a><br>';
    } 
  }
}
?>
  </body>
</html>

Ten en cuenta que es muy importante para el funcionamiento de la función //TRANSLIT de iconv la correcta configuración de la localización del sistema.

11
  • En parte lo hace, aunque sin dar excesivos detalles. Quiere buscar cadenas dentro de PDFs que tiene en un directorio usando PHP o JavaScript (éste último hace pensar que pudiera querer hacerlo en el lado del cliente, pero en ese caso tendrías razón, necesitaría ampliar detalles) y que ha intentado abrirlo con file_get_contents() obteniendo datos binarios, que suele ser lógico si tiene imágenes incrustadas. Lo que podría producirse es que el PDF fueran todas imágenes y deseara hacer OCR sobre él, que sería otra opción más. Commented el 20 ene. 2017 a las 9:35
  • 1
    Creo que si @OscarGarcia ha querido molestarse en responder y poner el código es porque cree que lo que han preguntado es su respuesta, no se porque hay que puntuarle negativo.
    – Spidvmp
    Commented el 20 ene. 2017 a las 12:16
  • 2
    @J.Doe muchas gracias por el apoyo. Respondí (20 ene, 9:29) antes de que la pregunta se cerrara (20 ene, 10:15). Llegué a tener 4 votos negativos. Entendí (o creí entender) lo que preguntaba desde el primer momento porque yo también he tratado de acceder al contenido de PDFs y me he encontrado con los mismos problemas (sobre todo con los diccionarios de palabras que ofuscan el contenido del texto), por lo que le ofrecí la misma solución que usé (el programa pdftotext). Me ha venido bien porque por el camino he descubierto otra herramienta (pdfparser) que no requiere de aplicación externa. Commented el 27 ene. 2017 a las 14:14
  • 1
    Supongo que a ciertas personas (a las que no guardo ningún tipo de rencor) no les hace gracia la idea de responder, o que alguien haya respondido, si la pregunta no está formulada como desean. Agradezco el apoyo a los que han votado la reapertura. Commented el 27 ene. 2017 a las 14:20
  • 1
    Tal vez yo no sea suficientemente inteligente para entender los votos negativos Sólo alcanzo a entender el interés de @OscarGarcia por ayudarnos a desentrañar los pdf y hacer búsquedas eficientes dentro de ellos. Si eso molesta a algún purista: ¡me alegra! Gracias Oscar
    – quevedo
    Commented el 4 abr. 2022 a las 15:19

Tu Respuesta

By clicking “Publica tu respuesta”, you agree to our terms of service and acknowledge you have read our privacy policy.

¿No es la respuesta que buscas? Examina otras preguntas con la etiqueta o formula tu propia pregunta.