testo estratto
* ------------------------------------------------------------------
*/
/**
* Trova il binario pdftotext in base al sistema operativo.
* Su Windows cerca prima il percorso noto, poi il PATH.
* Su Linux usa /usr/bin/pdftotext, poi il PATH.
*/
function pdftotext_binary(): string
{
$isWindows = (strtoupper(substr(PHP_OS, 0, 3)) === 'WIN');
if ($isWindows) {
// Percorso noto sull'ambiente locale
$known = 'C:\\poppler\\poppler-26.02.0\\Library\\bin\\pdftotext.exe';
if (is_file($known)) {
return $known;
}
// Fallback: confida nel PATH
return 'pdftotext.exe';
}
// Linux / VPS
if (is_file('/usr/bin/pdftotext')) {
return '/usr/bin/pdftotext';
}
return 'pdftotext';
}
/**
* Lancia pdftotext -bbox e restituisce l'XHTML grezzo.
* @throws RuntimeException se il comando fallisce.
*/
function pdf_run_bbox(string $pdfPath): string
{
if (!is_file($pdfPath)) {
throw new RuntimeException("PDF non trovato: {$pdfPath}");
}
$bin = pdftotext_binary();
// -bbox: coordinate parole; -enc UTF-8: fix simboli (€, accenti); - : stdout
$cmd = escapeshellarg($bin)
. ' -bbox -enc UTF-8 '
. escapeshellarg($pdfPath)
. ' -';
$descriptors = [
1 => ['pipe', 'w'], // stdout
2 => ['pipe', 'w'], // stderr
];
$proc = proc_open($cmd, $descriptors, $pipes);
if (!is_resource($proc)) {
throw new RuntimeException("Impossibile avviare pdftotext.");
}
$stdout = stream_get_contents($pipes[1]);
$stderr = stream_get_contents($pipes[2]);
fclose($pipes[1]);
fclose($pipes[2]);
$exit = proc_close($proc);
if ($exit !== 0) {
throw new RuntimeException("pdftotext ha restituito codice {$exit}: {$stderr}");
}
return $stdout;
}
/**
* Parsa l'XHTML di pdftotext -bbox in una struttura:
* [
* 1 => [ 'width'=>612, 'height'=>792, 'words'=>[ ['t'=>'Invoice','xMin'=>..,'yMin'=>..,'xMax'=>..,'yMax'=>..], ... ] ],
* 2 => [ ... ],
* ]
* Chiave = numero pagina (1-based).
*/
function pdf_parse_bbox(string $xhtml): array
{
$pages = [];
// Isola ogni blocco ...
if (!preg_match_all('#]*>(.*?)#si', $xhtml, $pageMatches, PREG_OFFSET_CAPTURE)) {
return $pages;
}
// Recupera anche gli attributi width/height di ogni page
preg_match_all('# $inner) {
$pageNum++;
$body = $inner[0];
$width = isset($dimMatches[$idx][1]) ? (float)$dimMatches[$idx][1] : 0.0;
$height = isset($dimMatches[$idx][2]) ? (float)$dimMatches[$idx][2] : 0.0;
$words = [];
if (preg_match_all(
'#(.*?)#si',
$body,
$wm,
PREG_SET_ORDER
)) {
foreach ($wm as $w) {
$text = html_entity_decode($w[5], ENT_QUOTES | ENT_HTML5, 'UTF-8');
$words[] = [
't' => $text,
'xMin' => (float)$w[1],
'yMin' => (float)$w[2],
'xMax' => (float)$w[3],
'yMax' => (float)$w[4],
];
}
}
$pages[$pageNum] = [
'width' => $width,
'height' => $height,
'words' => $words,
];
}
return $pages;
}
/**
* Estrae tutte le parole con coordinate da un PDF.
* Ritorna la struttura di pdf_parse_bbox().
*/
function pdf_extract_words(string $pdfPath): array
{
$xhtml = pdf_run_bbox($pdfPath);
return pdf_parse_bbox($xhtml);
}
/**
* Dato un rettangolo {x,y,w,h} e la lista parole di una pagina, restituisce
* il testo delle parole il cui CENTRO cade dentro il rettangolo, ordinate
* per riga (yMin) e poi per colonna (xMin), unite da spazio.
*
* $tolerance espande il rettangolo di N punti su ogni lato (default 2),
* per non perdere parole tracciate al pelo del bordo.
*/
function pdf_text_in_rect(array $rect, array $words, float $tolerance = 2.0): string
{
$x1 = $rect['x'] - $tolerance;
$y1 = $rect['y'] - $tolerance;
$x2 = $rect['x'] + $rect['w'] + $tolerance;
$y2 = $rect['y'] + $rect['h'] + $tolerance;
$hits = [];
foreach ($words as $w) {
$cx = ($w['xMin'] + $w['xMax']) / 2.0;
$cy = ($w['yMin'] + $w['yMax']) / 2.0;
if ($cx >= $x1 && $cx <= $x2 && $cy >= $y1 && $cy <= $y2) {
$hits[] = $w;
}
}
if (empty($hits)) {
return '';
}
// Ordina per riga (yMin arrotondato a gruppi di ~3pt) poi per xMin
usort($hits, function ($a, $b) {
$ra = round($a['yMin'] / 3.0);
$rb = round($b['yMin'] / 3.0);
if ($ra !== $rb) {
return $ra <=> $rb;
}
return $a['xMin'] <=> $b['xMin'];
});
$parts = array_map(fn($w) => $w['t'], $hits);
$text = implode(' ', $parts);
// Normalizza spazi multipli
$text = preg_replace('/\s+/u', ' ', $text);
return trim($text);
}
/**
* Estrae i valori per ogni mapping che ha pdf_regions.
*
* @param string $pdfPath percorso del PDF da leggere
* @param array $mappings righe di template_mapping (devono contenere: id, pdf_regions)
* @return array [ mapping_id => testo_estratto ] (solo per i mapping con regione value)
*
* Nota: usa la regione "value" per estrarre il dato. La regione "label" al
* momento non è usata per l'estrazione (serve per la strategia futura di
* ricerca per etichetta, es. PDF con layout variabile).
*/
function pdf_extract_values(string $pdfPath, array $mappings): array
{
$pages = pdf_extract_words($pdfPath);
$result = [];
foreach ($mappings as $m) {
if (empty($m['pdf_regions'])) {
continue;
}
$regions = json_decode($m['pdf_regions'], true);
if (!is_array($regions) || empty($regions['value']) || empty($regions['page'])) {
continue;
}
$page = (int)$regions['page'];
if (!isset($pages[$page])) {
// pagina inesistente in questo PDF: valore vuoto
$result[(int)$m['id']] = '';
continue;
}
$value = $pdf_value_rect = $regions['value'];
$text = pdf_text_in_rect($value, $pages[$page]['words']);
$result[(int)$m['id']] = $text;
}
return $result;
}