当前位置：首页 > news >正文

【PDF提取内容】如何批量提取PDF里面的文字内容，把内容到处表格或者批量给PDF文件改名，基于C++的实现方案和步骤

news 来源：原创 2025/5/20 12:55:16

以下分别介绍基于 C++ 批量提取 PDF 里文字内容并导出到表格，以及批量给 PDF 文件改名的实现方案、步骤和应用场景。

批量提取 PDF 文字内容并导出到表格

应用场景

文档数据整理：在处理大量学术论文、报告等 PDF 文档时，需要提取其中的关键信息，如标题、作者、摘要等，并整理到表格中，方便后续的数据分析和比较。
信息归档：企业或机构可能有大量的合同、协议等 PDF 文档，需要将其中的重要条款、日期、金额等信息提取出来，存储到表格中进行统一管理和查询。

实现方案和步骤

1. 选择合适的库

Poppler：用于解析 PDF 文件并提取文字内容。Poppler 是一个开源的 PDF 渲染库，提供了 C++ 接口，可以方便地进行 PDF 文本提取。
LibXL：用于创建和操作 Excel 表格。它是一个跨平台的 C++ 库，支持创建、读取和修改 Excel 文件。

2. 安装依赖库

在 Linux 系统上，可以使用包管理器安装 Poppler 和 LibXL。例如，在 Ubuntu 上可以使用以下命令安装 Poppler：

bash

sudo apt-get install libpoppler-cpp-dev

对于 LibXL，需要从其官方网站下载库文件，并将其包含到项目中。

3. 编写代码

cpp

#include <iostream>
#include <fstream>
#include <vector>
#include <string>
#include <poppler/cpp/poppler-document.h>
#include <poppler/cpp/poppler-page.h>
#include "libxl.h"using namespace libxl;// 提取 PDF 文件中的文字内容
std::string extractTextFromPDF(const std::string& filePath) {poppler::document* doc = poppler::document::load_from_file(filePath);if (!doc || doc->is_locked()) {delete doc;return "";}std::string text;for (int i = 0; i < doc->pages(); ++i) {poppler::page* page = doc->create_page(i);if (page) {text += page->text().to_latin1();delete page;}}delete doc;return text;
}// 批量提取 PDF 文件内容并导出到 Excel 表格
void batchExtractPDFsToExcel(const std::vector<std::string>& pdfFiles, const std::string& outputFilePath) {Book* book = xlCreateBook();if (book) {Sheet* sheet = book->addSheet("PDF Text");if (sheet) {for (size_t i = 0; i < pdfFiles.size(); ++i) {std::string text = extractTextFromPDF(pdfFiles[i]);sheet->writeStr(i, 0, pdfFiles[i].c_str());sheet->writeStr(i, 1, text.c_str());}}book->save(outputFilePath.c_str());book->release();}
}int main() {std::vector<std::string> pdfFiles = {"file1.pdf","file2.pdf",// 添加更多 PDF 文件路径};std::string outputFilePath = "output.xlsx";batchExtractPDFsToExcel(pdfFiles, outputFilePath);return 0;
}

4. 编译和运行

使用以下命令编译代码：

bash

g++ -o extract_pdf extract_pdf.cpp -lpoppler-cpp -lxl

运行生成的可执行文件：

bash

./extract_pdf

批量给 PDF 文件改名

应用场景

文件整理：当从不同来源收集了大量 PDF 文件，文件名杂乱无章时，需要根据文件内容或特定规则对文件进行重命名，以便更好地管理和查找。
数据导入：在将 PDF 文件导入到某个系统或数据库时，要求文件名遵循一定的命名规范，此时需要对文件进行批量重命名。

实现方案和步骤

1. 选择合适的库

使用标准 C++ 库中的 <filesystem> （C++17 及以上）来处理文件和目录操作。

2. 编写代码

cpp

#include <iostream>
#include <filesystem>
#include <string>namespace fs = std::filesystem;// 批量给 PDF 文件改名
void batchRenamePDFs(const std::string& directoryPath) {int counter = 1;for (const auto& entry : fs::directory_iterator(directoryPath)) {if (entry.is_regular_file() && entry.path().extension() == ".pdf") {fs::path newPath = entry.path().parent_path() / (std::to_string(counter) + ".pdf");fs::rename(entry.path(), newPath);std::cout << "Renamed " << entry.path() << " to " << newPath << std::endl;++counter;}}
}int main() {std::string directoryPath = "./pdfs"; // 替换为实际的 PDF 文件目录batchRenamePDFs(directoryPath);return 0;
}

3. 编译和运行

使用以下命令编译代码：

bash

g++ -std=c++17 -o rename_pdf rename_pdf.cpp

运行生成的可执行文件：

bash

./rename_pdf

以上代码示例提供了基本的实现思路，你可以根据实际需求进行扩展和修改。

【PDF提取内容】如何批量提取PDF里面的文字内容，把内容到处表格或者批量给PDF文件改名，基于C++的实现方案和步骤

以下分别介绍基于 C 批量提取 PDF 里文字内容并导出到表格，以及批量给 PDF 文件改名的实现方案、步骤和应用场景。批量提取 PDF 文字内容并导出到表格应用场景文档数据整理：在处理大量学术论文、报告等 PDF 文档时，需要提取其中的关键信…...

编程日记 2025/5/20 12:55:16

HTML之CSS定位、浮动、盒子模型

HTML之CSS定位、浮动、盒子模型定位 <!DOCTYPE html> <html lang"en"> <head><meta charset"UTF-8"><meta name"viewport" content"widthdevice-width, initial-scale1.0"><title>Document<…...

编程日记 2025/5/17 21:04:14

【Java基础】为什么不支持多重继承？方法重载和方法重写之间区别、Exception 和 Error 区别？

Hi~！这里是奋斗的明志，很荣幸您能阅读我的文章，诚请评论指点，欢迎欢迎 ~~ 🌱🌱个人主页：奋斗的明志 🌱🌱所属专栏：Java基础面经 📚本系列文章为个…...

编程日记 2025/5/18 10:20:46

使用scoop 下载速度慢怎么办

在国内使用 Scoop 下载速度慢是一个常见问题，主要是因为 Scoop 默认的软件源（bucket）和下载服务器通常位于国外。以下是一些提高下载速度的方法： 1. 更换 Scoop 镜像源（Bucket 镜像）： 原理&…...

编程日记 2025/5/16 6:28:34

使用Redis解决使用Session登录带来的共享问题

在学习项目的过程中遇到了使用Session实现登录功能所带来的共享问题，此问题可以使用Redis来解决，也即是加上一层来解决问题。接下来介绍一些Session的相关内容并且采用Session实现登录功能（并附上代码），进行分析其存在…...

编程日记 2025/5/20 0:18:28

OnlyOffice docker 运行（详细）

下载镜像推荐使用 GitHub Action 方式下载： Action 地址：https://github.com/Shixuebin/DockerTarBuilder 教程地址：https://www.bilibili.com/video/BV1EZ421M7mL/ docker 镜像安装 docker load -i xxx.tar镜像运行 docker run -i -t -…...

编程日记 2025/5/16 0:27:47

CNN 卷积神经网络处理图片任务 | PyTorch 深度学习实战

前一篇文章，学习率调整策略 | PyTorch 深度学习实战本系列文章 GitHub Repo: https://github.com/hailiang-wang/pytorch-get-started CNN 卷积神经网络 CNN什么是卷积工作原理深度学习的卷积运算提取特征不同特征核的效果比较卷积核感受野共享权重池化示例源码 …...

编程日记 2025/5/6 13:48:17

自动驾驶数据集三剑客：nuScenes、nuImages 与 nuPlan 的技术矩阵与生态协同

目录 1、引言 2、主要内容 2.1、定位对比：感知与规划的全维覆盖 2.2、数据与技术特性对比 2.3、技术协同：构建全栈研发生态 2.4、应用场景与评估体系 2.5、总结与展望 3、参考文献 1、引言随着自动驾驶技术向全栈化迈进，Motional 团…...

编程日记 2025/5/13 1:49:20

02.07 TCP服务器与客户端的搭建

一.思维导图二.使用动态协议包实现服务器与客户端 1. 协议包的结构定义首先，是协议包的结构定义。在两段代码中，pack_t结构体都被用来表示协议包： typedef struct Pack {int size; // 记录整个协议包的实际大小enum Type type; …...

编程日记 2025/5/19 9:11:15

基于机器学习时序库pmdarima实现时序预测

目录一、Pmdarima实现单变量序列预测1.1 核心功能与特性1.2 技术优势对比1.3 python案例1.3.1 时间序列交叉验证1.3.1.1 滚动交叉验证1.3.1.2 滑窗交叉验证时间序列相关参考文章： 时间序列预测算法—ARIMA 基于VARMAX模型的多变量时序数据预测基于机器学习时序库…...

编程日记 2025/5/18 15:36:44

计算机视觉的研究方向、发展历程、发展前景介绍

以下将分别从图像分类、目标检测、语义分割、图像分割（此处应主要指实例分割）四个方面，为你介绍研究生人工智能计算机视觉领域的应用方向、发展历程以及发展前景。文章目录 1.图像分类应用方向发展历程发展前景 2.目标检测应用方向发展历程…...

编程日记 2025/5/18 21:51:41

NLP_[2]-认识文本预处理

文章目录 1 认识文本预处理1 文本预处理及其作用2. 文本预处理中包含的主要环节2.1 文本处理的基本方法2.2 文本张量表示方法2.3 文本语料的数据分析2.4 文本特征处理2.5数据增强方法2.6 重要说明 2 文本处理的基本方法1. 什么是分词2 什么是命名实体识别3 什么是词性标注 1 认…...

编程日记 2025/5/17 9:23:30

单硬盘槽笔记本更换硬盘

背景本人的笔记本电脑只有一个硬盘槽，而且没有M.2的硬盘盒，只有一个移动硬盘旧硬盘：512G 新硬盘：1T 移动硬盘：512G 参考链接：https://www.bilibili.com/video/BV1iP41187SW/?spm_id_from333.1007.t…...

编程日记 2025/5/13 10:03:30

在stm32mp257的yocto中设置用户名和密码

在STM32MP257的Yocto环境中设置用户名和密码，通常需要修改根文件系统的用户配置。以下是详细步骤： 1. 设置root密码默认情况下，root账户可能无密码或使用默认密码。通过以下方法修改：方法1：在local.conf中直接设置 # 打开Yocto工程的配置文件 vi conf/local.conf# 添…...

编程日记 2025/5/15 14:53:12

力扣--链表

相交链表法一： 把A链表的节点都存HashSet里，遍历B链表找相同的节点法二： 把A、B指针都移到末尾，再同时往回走，每次往回走都比较当前节点的下一节点（a.next b.next ?)是否相同，当不相同…...

编程日记 2025/5/1 15:36:45

【redis】数据类型之hash

Redis中的Hash数据类型是一种用于存储键值对集合的数据结构。与Redis的String类型不同，Hash类型允许你将多个字段（field）和值（value）存储在一个单独的key下，从而避免了将多个相关数据存储为多个独立的key。…...

编程日记 2025/5/18 11:23:36

计算机网络面经

文章目录基础HTTPHTTP报文结构（注意）RPC和http的区别TCPTCP报文结构（注意）IP基础 HTTP HTTP报文结构（注意）请求行：请求方法get/post，url，http版本请求头：用户标识，请求体长度，类型，cookie 请求体：内容状态行：状态码，状态消息、（http版本）响应头：内…...

编程日记 2025/5/18 10:02:17

非递减子序列(力扣491)

这道题的难点依旧是去重，但是与之前做过的子集类问题的区别就是，这里是求子序列，意味着我们不能先给数组中的元素排序。因为子序列中的元素的相对位置跟原数组中的相对位置是一样的，如果我们改变数组中元素的顺序，子序…...

编程日记 2025/5/17 21:55:30

00_Machine Vision_基础介绍

基础概念由于计算机只能处理离散的数据，所以需要将连续的图片转化为离散的数据。主要包含：空间离散以及灰度值离散空间离散：将图片的像素点离散化，即将图片的像素点转化为一个个的小方块，即为图片的分辨率。分辨率…...

编程日记 2025/5/17 13:31:59

排错 -- 用React.js,Solidity,智能合约构建最新区块链应用

真枪实弹:第一个Web3项目【上集】用React.js,Solidity,智能合约构建最新区块链应用详细教程构建web跟随b站教程中遇到了很多错误，从今天开始构建完整的应用，在此记录一些排错。问题情况1：跟随视频后无Src文件问题情况1解决方法&#xff1…...

编程日记 2025/5/2 18:43:22

【WB 深度学习实验管理】利用 Hugging Face 实现高效的自然语言处理实验跟踪与可视化

本文使用到的 Jupyter Notebook 可在GitHub仓库002文件夹找到，别忘了给仓库点个小心心~~~ https://github.com/LFF8888/FF-Studio-Resources 在自然语言处理领域，使用Hugging Face的Transformers库进行模型训练已经成为主流。然而，随着模型复…...

编程日记 2025/5/16 10:12:51

ximalaya（三） playUriList值解密--webpack

本文主要介绍解密音频播放url参数。本文仅代表个人理解，如有其他建议可在评论区沟通。声明仅仅记录一下自己的学习方法，不作为其他参考、更不作为商业用途。如有侵犯请联系本人删除目标地址：aHR0cHM6Ly93d3cueGltYWxheWEuY29tL3NvdW5k…...

编程日记 2025/5/15 22:39:19

ES6 Map 数据结构是用总结

1. Map 基本概念 Map 是 ES6 提供的新的数据结构，它类似于对象，但是"键"的范围不限于字符串，各种类型的值（包括对象）都可以当作键。Map 也可以跟踪键值对的原始插入顺序。 1.1 基本用法 // 创建一个空Map…...

编程日记 2025/5/17 22:55:37

使用Redis实现业务信息缓存（缓存详解，缓存更新策略，缓存三大问题）-更新中

一、什么是缓存？ 缓存是一种高效的数据存储方式，它通过将数据保存在内存中来提供快速的读写访问。这种机制特别适用于需要高速数据访问的应用场景，如网站、应用程序和服务。在处理大量数据和高并发请求时， 缓存能显著提高性能和用…...

编程日记 2025/5/19 2:55:39

Windows 系统下使用 Ollama 离线部署 DeepSeek - R1 模型指南

引言随着人工智能技术的飞速发展，各类大语言模型层出不穷。DeepSeek - R1 凭借其出色的语言理解和生成能力，受到了广泛关注。而 Ollama 作为一款便捷的模型管理和部署工具，能够帮助我们轻松地在本地环境中部署和使用模型。本文将详细介绍如…...

编程日记 2025/5/19 9:57:47

变革里程碑：Transformer 的崛起一、架构革命的核心驱动力 #mermaid-svg-hsXnwHI0wO2qZaqb {font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#000000;}#mermaid-svg-hsXnwHI0wO2qZaqb .error-icon{fill:#552222;}#mermaid-sv…...

编程日记 2025/5/20 10:16:02

SpringBoot速成（八）登录实战：未登录不能访问 P5-P8

1.登录 package com.itheima.springbootconfigfile.controller;import com.itheima.springbootconfigfile.pojo.Result; import com.itheima.springbootconfigfile.pojo.User; import com.itheima.springbootconfigfile.service.UserService;import com.itheima.springbootco…...

编程日记 2025/5/20 8:28:21

批量提取 PDF 文字内容并导出到表格

应用场景

实现方案和步骤

1. 选择合适的库

2. 安装依赖库

3. 编写代码

4. 编译和运行

批量给 PDF 文件改名

应用场景

实现方案和步骤

1. 选择合适的库

2. 编写代码

3. 编译和运行

相关文章：