有没有比 pdftotext 更好的 pdf 到文本转换器？

Question

我正在使用 pdftotext（poppler-utils 的一部分）将 PDF 文档转换为文本。它在大多数情况下都有效，但我希望它做的一件事是在不同的段落之间插入空行，而不是将它们混合在一起。

有没有办法让 pdftotext 做到这一点？如果没有，是否有另一个 pdf to text 实用程序可以做到这一点？

Answer 1

如果您使用的是pdftotext，则可以使用该-layout标志来保留输入 pdf 文件中页面上的文本布局：

pdftotext -layout input.pdf output.txt

Answer 2

你可以尝试ebook-convert从口径。

如果有的话，我会说它在另一个方向上犯了错误：换行太多。

我肯定会考虑的另一件事是使用pdfreflow转换为 HTML ，然后将 HTML 转换为 TXT。

Answer 3

作为开源（和自动化）的粉丝，我讨厌这么说，但我刚刚得到的最好结果（在相当大的复杂 PDF 上）是在 Adob​​e Reader 中打开它，然后选择文件|另存为文本。

（我是为文本分析实验做预处理，不是作为读者，但我认为我的第一和第二选择是一样的。）

我一直在并排比较输出。我的第二个选择是电子书转换。

Adobe：保留在 FF 中用于分页，保留在页码中，尚未将标题/段落转换为单行，但它具有固定的连字符。隐藏在 PDF 中的垃圾没有得到输出。在部分的开头正确地使用大写字母，例如“The”，而不是“T he”甚至“T he”。

ebook-convert：留在页码中，页眉/页脚中有一些隐藏的垃圾（但没有 FF）。将大多数段落转换为单行。不过，它错过的那些是双倍行距的！项目符号并不总是与文本对齐。在本章的开头正确地得到了“The”。

pdftotext（没有--layout）：不错，子弹排成一行，但页眉/页脚噪音。FF在那里。连字符已删除。最糟糕的章节开头大写字母：“T\n\nhe”。

pdftotext (with --layout)：类似，但缩进更多。“他”为章节的开始。

pdftohtml >> pdfreflow >> htmltotext：它删除了页码，但在页眉/页脚中仍然是垃圾。“他”为章节的开始。连字符已删除。（它每段使用多行，但它们与其他版本中的换行符不同！）

Answer 4

如果您有 Google 帐户，则可以使用 Google Docs 上传 PDF 并将其转换为可编辑的文本。