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