Discussion :

[Alvaten]

Bonjour à tous,

J'ai cherché sans résultats un code pour importer le contenu (texte uniquement) de documents PDF dans PHP, j'en ai besoin pour faire de la recherche de contenu. Je ne peut pas utiliser d'executable externe comme XPDF, il me faut vraiment un code PHP.

J'ai trouvé de nombreux sujet sur le forum et de nombreux code sur le net, le plus satisfaisant étant trouvé ici : http://pastebin.com/hRviHKp1

Le problème c'est que je ne trouve pas de code qui me permet d'importer correctement les caractères accentué, à chaque fois l'output est en ASCII et j'aimerai quelque chose en UTF-8 idéalement.

Si quelqu'un à une solution je suis preneur.

Bonne soirée

Alvaten

[sabotage]

J'ai testé la classe que tu indiques et elle me fournit bien de l'unicode.
Tu obtiens quoi à la place des accents ?

[Alvaten]

Des ? ou des carrés blanc selon le navigateur.

Je constate cependant que certains caractères sont correctes et d'autre non. Par exemple
Sans utf8_encode :

Aucune entr�e de table des mati�res [...] présenté le logiciel

Avec utf8_encode() sur la sortie :

Aucune entrée de table des matières [...] présenté le logiciel

Il s'agit pourtant du même document, mais les "é" et "è" ne semble pas toujours être interprété de la même manière
J'ai essayé avec plusieurs PDF toujours les mêmes incohérances.

PS :
Tout mes fichiers sont en UTF, et mon code HTML contient <meta charset="UTF-8">

J'ai essayer de passer tout en ISO-8859-1 ca ne fonctionne pas mieux.

[sabotage]

Est-ce que tu as possibilité de fournir un PDF qui te pose problème ?

[drick35]

j'avais testé ce script, il y a 3 semaines environ, j'avais le même problème que Alvaten, certain pdf ne fonctionne pas.
Je serrais vraiment interressé par une solution

cédric

[Alvaten]

Salut,

Voila un document qui ne fonctionne pas :

http://pdf.lu/wKFU

J'ai essayer d'exporter la sortie dans un .txt, et en l'analysant le truc je constate que certain les caractères n'ont pas tous le même encodage

Vu en Hexa dans notepad++
Par exemple :
- "é" de réalisé (dans l'introduction) est codé 0xE9, qui est le "é" en ANSI
- "é" de "présenté" (dans l'introduction) sont codés 0xC3 0xA9 qui est le "é" en UTF

J'ai l'impression que la lib n'écrit pas systématiquement le même nombre de bits pour les caractères.
0xC3A9 donne en binnaire 11000011 10101001, de ce que j'ai compris, les 3 premiers bit (110) indique que c'est un code UTF-8 et ces 2 octets représente bien un "é" correcte, alors que les "é" codé sur 1 octet ne sont pas interprétable en UTF (de ce que j'ai compris, il considère ca comme de l'ASCII dont il est retrocompatible, mais E9 n'existe pas en ASCII)

[Alvaten]

J'ai un peu "débugé" la lib, apparemment ca viens du PDF en lui-même. Quand le contenu est extrait, certain morceaux semblent sortir en ASCII (dont des caractères "invalide") et d'autre en UTF.

Pire, j'ai réalisé que certains PDF générés avec PdfCreator sont purement et simplement illisible par la lib, et c'est l'outil utilisé pour créer les PDF que je dois indexer