Problema al Extraer texto de un PDF

BaKuSiN · #1 (**permalink**) 13/02/2013, 06:36

Buenas,
necesito leer una tabla de un PDF, he conseguido hacerlo desde pdftohtml en linux, pero me surge el problema que lo lee de tal forma que si el texto esta partido en dos lineas en una misma celda, lo cuenta como si fuese una linea anterior y no lo junta con la palabra que le sigue (no se si me estoy explicando bien), basicamente que de una fila llega a interpretar 3 lineas distintas.

Lo que necesito es alguna libreria en php (o si sabeis algun programa para pasarle una linea de comandos en linux/windows tambien me sirve), para extraer un texto de un pdf y que mantenga la tabla tal cual con algun separador o algo, para que pueda manipular los datos.

Muchas Gracias!

iukaeru · #2 (**permalink**) 14/02/2013, 12:02

¿Probaste con FPDF?

BaKuSiN · #3 (**permalink**) 14/02/2013, 12:10

Gracias por responder iukaeru,
pero según estoy leyendo, FPDF sirve para generar PDFs, lo que necesito es extraer el texto de un PDF y que respete lo maximo posible cuando lea las tablas que pueda haber (vamos, que no descoloque las cosas a su antojo).

ocp001a · #4 (**permalink**) 14/02/2013, 12:48

¿Has probado con algún programa para pasar el pdf a word? creo que también estos programas interpretarán diferentes filas como diferentes lineas, por la naturaleza del pdf, que se hace como un dibujo, por lo que si agrandas la hoja los datos no se reacomodan como lo haría un .doc