pdf/xpdf/pdftotext.cc

   1 //========================================================================
   2 //
   3 // pdftotext.cc
   4 //
   5 // Copyright 1997-2003 Glyph & Cog, LLC
   6 //
   7 //========================================================================
   8
   9 #include <aconf.h>
  10 #include <stdio.h>
  11 #include <stdlib.h>
  12 #include <stddef.h>
  13 #include <string.h>
  14 #include "parseargs.h"
  15 #include "GString.h"
  16 #include "gmem.h"
  17 #include "GlobalParams.h"
  18 #include "Object.h"
  19 #include "Stream.h"
  20 #include "Array.h"
  21 #include "Dict.h"
  22 #include "XRef.h"
  23 #include "Catalog.h"
  24 #include "Page.h"
  25 #include "PDFDoc.h"
  26 #include "TextOutputDev.h"
  27 #include "CharTypes.h"
  28 #include "UnicodeMap.h"
  29 #include "Error.h"
  30 #include "config.h"
  31
  32 static void printInfoString(FILE *f, Dict *infoDict, char *key,
  33                             char *text1, char *text2, UnicodeMap *uMap);
  34 static void printInfoDate(FILE *f, Dict *infoDict, char *key, char *fmt);
  35
  36 static int firstPage = 1;
  37 static int lastPage = 0;
  38 static GBool physLayout = gFalse;
  39 static GBool rawOrder = gFalse;
  40 static GBool htmlMeta = gFalse;
  41 static char textEncName[128] = "";
  42 static char textEOL[16] = "";
  43 static GBool noPageBreaks = gFalse;
  44 static char ownerPassword[33] = "\001";
  45 static char userPassword[33] = "\001";
  46 static GBool quiet = gFalse;
  47 static char cfgFileName[256] = "";
  48 static GBool printVersion = gFalse;
  49 static GBool printHelp = gFalse;
  50
  51 static ArgDesc argDesc[] = {
  52   {"-f",       argInt,      &firstPage,     0,
  53    "first page to convert"},
  54   {"-l",       argInt,      &lastPage,      0,
  55    "last page to convert"},
  56   {"-layout",  argFlag,     &physLayout,    0,
  57    "maintain original physical layout"},
  58   {"-raw",     argFlag,     &rawOrder,      0,
  59    "keep strings in content stream order"},
  60   {"-htmlmeta", argFlag,   &htmlMeta,       0,
  61    "generate a simple HTML file, including the meta information"},
  62   {"-enc",     argString,   textEncName,    sizeof(textEncName),
  63    "output text encoding name"},
  64   {"-eol",     argString,   textEOL,        sizeof(textEOL),
  65    "output end-of-line convention (unix, dos, or mac)"},
  66   {"-nopgbrk", argFlag,     &noPageBreaks,  0,
  67    "don't insert page breaks between pages"},
  68   {"-opw",     argString,   ownerPassword,  sizeof(ownerPassword),
  69    "owner password (for encrypted files)"},
  70   {"-upw",     argString,   userPassword,   sizeof(userPassword),
  71    "user password (for encrypted files)"},
  72   {"-q",       argFlag,     &quiet,         0,
  73    "don't print any messages or errors"},
  74   {"-cfg",     argString,   cfgFileName,    sizeof(cfgFileName),
  75    "configuration file to use in place of .xpdfrc"},
  76   {"-v",       argFlag,     &printVersion,  0,
  77    "print copyright and version info"},
  78   {"-h",       argFlag,     &printHelp,     0,
  79    "print usage information"},
  80   {"-help",    argFlag,     &printHelp,     0,
  81    "print usage information"},
  82   {"--help",   argFlag,     &printHelp,     0,
  83    "print usage information"},
  84   {"-?",       argFlag,     &printHelp,     0,
  85    "print usage information"},
  86   {NULL}
  87 };
  88
  89 int main(int argc, char *argv[]) {
  90   PDFDoc *doc;
  91   GString *fileName;
  92   GString *textFileName;
  93   GString *ownerPW, *userPW;
  94   TextOutputDev *textOut;
  95   FILE *f;
  96   UnicodeMap *uMap;
  97   Object info;
  98   GBool ok;
  99   char *p;
 100   int exitCode;
 101
 102   exitCode = 99;
 103
 104   // parse args
 105   ok = parseArgs(argDesc, &argc, argv);
 106   if (!ok || argc < 2 || argc > 3 || printVersion || printHelp) {
 107     fprintf(stderr, "pdftotext version %s\n", xpdfVersion);
 108     fprintf(stderr, "%s\n", xpdfCopyright);
 109     if (!printVersion) {
 110       printUsage("pdftotext", "<PDF-file> [<text-file>]", argDesc);
 111     }
 112     goto err0;
 113   }
 114   fileName = new GString(argv[1]);
 115
 116   // read config file
 117   globalParams = new GlobalParams(cfgFileName);
 118   if (textEncName[0]) {
 119     globalParams->setTextEncoding(textEncName);
 120   }
 121   if (textEOL[0]) {
 122     if (!globalParams->setTextEOL(textEOL)) {
 123       fprintf(stderr, "Bad '-eol' value on command line\n");
 124     }
 125   }
 126   if (noPageBreaks) {
 127     globalParams->setTextPageBreaks(gFalse);
 128   }
 129   if (quiet) {
 130     globalParams->setErrQuiet(quiet);
 131   }
 132
 133   // get mapping to output encoding
 134   if (!(uMap = globalParams->getTextEncoding())) {
 135     error(-1, "Couldn't get text encoding");
 136     delete fileName;
 137     goto err1;
 138   }
 139
 140   // open PDF file
 141   if (ownerPassword[0] != '\001') {
 142     ownerPW = new GString(ownerPassword);
 143   } else {
 144     ownerPW = NULL;
 145   }
 146   if (userPassword[0] != '\001') {
 147     userPW = new GString(userPassword);
 148   } else {
 149     userPW = NULL;
 150   }
 151   doc = new PDFDoc(fileName, ownerPW, userPW);
 152   if (userPW) {
 153     delete userPW;
 154   }
 155   if (ownerPW) {
 156     delete ownerPW;
 157   }
 158   if (!doc->isOk()) {
 159     exitCode = 1;
 160     goto err2;
 161   }
 162
 163   // check for copy permission
 164   if (!doc->okToCopy()) {
 165     error(-1, "Copying of text from this document is not allowed.");
 166     exitCode = 3;
 167     goto err2;
 168   }
 169
 170   // construct text file name
 171   if (argc == 3) {
 172     textFileName = new GString(argv[2]);
 173   } else {
 174     p = fileName->getCString() + fileName->getLength() - 4;
 175     if (!strcmp(p, ".pdf") || !strcmp(p, ".PDF")) {
 176       textFileName = new GString(fileName->getCString(),
 177                                  fileName->getLength() - 4);
 178     } else {
 179       textFileName = fileName->copy();
 180     }
 181     textFileName->append(htmlMeta ? ".html" : ".txt");
 182   }
 183
 184   // get page range
 185   if (firstPage < 1) {
 186     firstPage = 1;
 187   }
 188   if (lastPage < 1 || lastPage > doc->getNumPages()) {
 189     lastPage = doc->getNumPages();
 190   }
 191
 192   // write HTML header
 193   if (htmlMeta) {
 194     if (!textFileName->cmp("-")) {
 195       f = stdout;
 196     } else {
 197       if (!(f = fopen(textFileName->getCString(), "wb"))) {
 198         error(-1, "Couldn't open text file '%s'", textFileName->getCString());
 199         exitCode = 2;
 200         goto err3;
 201       }
 202     }
 203     fputs("<html>\n", f);
 204     fputs("<head>\n", f);
 205     doc->getDocInfo(&info);
 206     if (info.isDict()) {
 207       printInfoString(f, info.getDict(), "Title", "<title>", "</title>\n",
 208                       uMap);
 209       printInfoString(f, info.getDict(), "Subject",
 210                       "<meta name=\"Subject\" content=\"", "\">\n", uMap);
 211       printInfoString(f, info.getDict(), "Keywords",
 212                       "<meta name=\"Keywords\" content=\"", "\">\n", uMap);
 213       printInfoString(f, info.getDict(), "Author",
 214                       "<meta name=\"Author\" content=\"", "\">\n", uMap);
 215       printInfoString(f, info.getDict(), "Creator",
 216                       "<meta name=\"Creator\" content=\"", "\">\n", uMap);
 217       printInfoString(f, info.getDict(), "Producer",
 218                       "<meta name=\"Producer\" content=\"", "\">\n", uMap);
 219       printInfoDate(f, info.getDict(), "CreationDate",
 220                     "<meta name=\"CreationDate\" content=\"\">\n");
 221       printInfoDate(f, info.getDict(), "LastModifiedDate",
 222                     "<meta name=\"ModDate\" content=\"\">\n");
 223     }
 224     info.free();
 225     fputs("</head>\n", f);
 226     fputs("<body>\n", f);
 227     fputs("<pre>\n", f);
 228     if (f != stdout) {
 229       fclose(f);
 230     }
 231   }
 232
 233   // write text file
 234   textOut = new TextOutputDev(textFileName->getCString(),
 235                               physLayout, rawOrder, htmlMeta);
 236   if (textOut->isOk()) {
 237     doc->displayPages(textOut, firstPage, lastPage, 72, 72, 0, gTrue, gFalse);
 238   } else {
 239     delete textOut;
 240     exitCode = 2;
 241     goto err3;
 242   }
 243   delete textOut;
 244
 245   // write end of HTML file
 246   if (htmlMeta) {
 247     if (!textFileName->cmp("-")) {
 248       f = stdout;
 249     } else {
 250       if (!(f = fopen(textFileName->getCString(), "ab"))) {
 251         error(-1, "Couldn't open text file '%s'", textFileName->getCString());
 252         exitCode = 2;
 253         goto err3;
 254       }
 255     }
 256     fputs("</pre>\n", f);
 257     fputs("</body>\n", f);
 258     fputs("</html>\n", f);
 259     if (f != stdout) {
 260       fclose(f);
 261     }
 262   }
 263
 264   exitCode = 0;
 265
 266   // clean up
 267  err3:
 268   delete textFileName;
 269  err2:
 270   delete doc;
 271   uMap->decRefCnt();
 272  err1:
 273   delete globalParams;
 274  err0:
 275
 276   // check for memory leaks
 277   Object::memCheck(stderr);
 278   gMemReport(stderr);
 279
 280   return exitCode;
 281 }
 282
 283 static void printInfoString(FILE *f, Dict *infoDict, char *key,
 284                             char *text1, char *text2, UnicodeMap *uMap) {
 285   Object obj;
 286   GString *s1;
 287   GBool isUnicode;
 288   Unicode u;
 289   char buf[8];
 290   int i, n;
 291
 292   if (infoDict->lookup(key, &obj)->isString()) {
 293     fputs(text1, f);
 294     s1 = obj.getString();
 295     if ((s1->getChar(0) & 0xff) == 0xfe &&
 296         (s1->getChar(1) & 0xff) == 0xff) {
 297       isUnicode = gTrue;
 298       i = 2;
 299     } else {
 300       isUnicode = gFalse;
 301       i = 0;
 302     }
 303     while (i < obj.getString()->getLength()) {
 304       if (isUnicode) {
 305         u = ((s1->getChar(i) & 0xff) << 8) |
 306             (s1->getChar(i+1) & 0xff);
 307         i += 2;
 308       } else {
 309         u = s1->getChar(i) & 0xff;
 310         ++i;
 311       }
 312       n = uMap->mapUnicode(u, buf, sizeof(buf));
 313       fwrite(buf, 1, n, f);
 314     }
 315     fputs(text2, f);
 316   }
 317   obj.free();
 318 }
 319
 320 static void printInfoDate(FILE *f, Dict *infoDict, char *key, char *fmt) {
 321   Object obj;
 322   char *s;
 323
 324   if (infoDict->lookup(key, &obj)->isString()) {
 325     s = obj.getString()->getCString();
 326     if (s[0] == 'D' && s[1] == ':') {
 327       s += 2;
 328     }
 329     fprintf(f, fmt, s);
 330   }
 331   obj.free();
 332 }