Para "parsear" o "analizar sintacticamente", un archivo xmlm por ejemplo de alguna factura electróonica, las reglas serían: impuestos, montos, cliente, proveedor, códigos, etc. si lo hacemos con un html algunas reglas serían si cuenta con la declaración del BODY, DOCUMENT TYPE, HEAD etc.

Bueno para los archivos PDF, en primera instancia ¿Existe una estructura? u por seguir como se puede leer esta información?

Alguien ha hecho algún programa que indague un PDF para buscar algunos datos ?

Saludos.

Citar:

Alguien ha hecho algún programa que indague un PDF para buscar algunos datos ?

Sí, aparte del programa pdfman, que ya has visto basado en la librería pdftk, tengo unas rutinas que buscan datos en pdf.
Se parte siempre de convertir a texto el pdf. En este caso tienes que tener instalado el paquete poppler-utils, que viene en los repositorios de ubuntu (no recuerdo si viene instalado por defecto) y ahí utilizas el siguiente código:


Donde fichpdf.text es el fichero de texto a generar y ftxtpath es el fichero .pdf

A partir de ese fichero de texto, buscas lo que quieras.

Saludos.

===================
No podemos regresar