在 .txt 文件中查找并替换 pdftotext 生成的图像字符

Question

我使用 PHP 的 pdftotext 从 pdf 创建了很多 .txt 文件。

像这样使用它，这对所有文件中的所有文本部分都非常有效：

system("pdftotext -raw dir/$pdf_file 2>&1");

问题

但是，在新的 .txt 文件中，pdf 中的所有图像都显示为：

• 'FF' 打开文件时 FTP
• 在浏览器中使用 urlencode 的字符“%0C”(fopen)
• 没有 urlencode 的向上箭头 (fopen)
• ^L，在命令行上使用 less 时（在 CentOs 7 中），其中即使 sed 's/^L//g' 对单个文件名也不起作用。

因此，在所有这些视图中，我有不同的方式来处理这个奇怪的字符。

问题

在一周内尝试了这么多代码之后，我仍在寻找一种方法来从所有 .txt 文件中找到并删除这个奇怪的图像字符。

有解决办法吗？

或者，这里有什么聪明的做法？使用带有代码或命令行的 php 文件？我现在有点迷茫了。

Answer 1

打印纯文本时的代码约定是 FF 通常表示 FormFeed，它是打印机的控制代码

↑ 12 00/12 14 %0C FF (CtrL=^L) FORM FEED（分页）

这是一种指示/弹出页尾的方法，因此您应该在页面之间的分隔处看到一个。

有一个切换到 remove/exclude 他们所以试试，

system("pdftotext -raw -nopgbrk dir/$pdf_file 2>&1");