问如何从PDF中提取文本？

EN

我得到了一个400页的pdf文件，其中有一个数据表，我必须导入-幸运的是没有图像。Ghostscript为我工作：

gswin64c -sDEVICE=txtwrite -o output.txt input.pdf

输出文件被拆分成带有标题等的页面，但随后很容易编写一个应用程序来剔除空行等，并吸收所有30,000条记录。在这种情况下，-dSIMPLE和-dCOMPLEX没有区别。

一个高效的命令行工具，开源，免费，在linux和windows上都可以使用:简单地命名为pdftotext。此工具是xpdf库的一部分。

http://en.wikipedia.org/wiki/Pdftotext

从今天开始，我知道:从PDF中提取文本的最好方法是。TET是PDFlib.com系列产品的一部分。

PDFlib.com是Thomas Merz的公司。如果你不记得他的名字: Thomas Merz是"PostScript和PDF圣经“的作者。

TET的第一个化身是。它可能可以做Budda006想做的所有事情，包括页面上每个元素的位置信息。哦，它还可以提取图像。它将被分割成碎片的图像重新组合。

pdflib.com还提供了这种技术的另一个化身-- 。第三个化身是。这是一个用于用户桌面的独立工具。这两者都是免费的(就像在啤酒中一样)，可以用于私人的、非商业的目的。

它真的很强大。比Adobe自己的文本提取要好得多。它为我提取文本，而其他工具(包括Adobe的)只会输出垃圾。

我刚刚测试了桌面独立工具，他们在网页上说的都是真的。它有一个非常好的命令行。我的一些“有问题的”PDF测试文件，该工具处理，使我完全满意。

从现在开始，这将是我对每一个复杂和具有挑战性的PDF文本提取需求的建议。

TET简直太棒了。它可以检测表格。在表中，它标识跨越多个列的单元格。它分别标识表格行和每个表格单元格的内容。它很好地处理了连字符:它删除了连字符并恢复了完整的单词。它支持非ASCII语言(包括CJK、阿拉伯语和希伯来语)。当遇到连字时，它会恢复原来的字符...

试试看。