pdftotext

pdftotext
作用

提取 PDF 中的文本内容

安装

Windows

Windows 下不需要安装，因为我目前也没有发现存在Windows的版本。

不安装这个工具，对程序有影响，但是影响不大，因为从PDF中提取txt文本内容，还可以使用 calibre 进行提取。

Linux

[sudo] apt install poppler-utils

Mac

[sudo] brew install poppler-utils

是否安装成功

执行如下命令：

pdftotext --help

看到如下结果，则表示安装成功。

    pdftotext --help
    ------
    pdftotext version 0.41.0
    Copyright 2005-2016 The Poppler Developers - http://poppler.freedesktop.org
    Copyright 1996-2011 Glyph & Cog, LLC
    Usage: pdftotext [options] <PDF-file> [<text-file>]
      -f <int>             : first page to convert
      -l <int>             : last page to convert
      -r <fp>              : resolution, in DPI (default is 72)
      -x <int>             : x-coordinate of the crop area top left corner
      -y <int>             : y-coordinate of the crop area top left corner
      -W <int>             : width of crop area in pixels (default is 0)
      -H <int>             : height of crop area in pixels (default is 0)
      -layout              : maintain original physical layout
      -fixed <fp>          : assume fixed-pitch (or tabular) text
      -raw                 : keep strings in content stream order
      -htmlmeta            : generate a simple HTML file, including the meta information
      -enc <string>        : output text encoding name
      -listenc             : list available encodings
      -eol <string>        : output end-of-line convention (unix, dos, or mac)
      -nopgbrk             : don't insert page breaks between pages
      -bbox                : output bounding box for each word and page size to html.  Sets -htmlmeta
      -bbox-layout         : like -bbox but with extra layout bounding box data.  Sets -htmlmeta
      -opw <string>        : owner password (for encrypted files)
      -upw <string>        : user password (for encrypted files)
      -q                   : don't print any messages or errors
      -v                   : print copyright and version info
      -h                   : print usage information
      -help                : print usage information
      --help               : print usage information
      -?                   : print usage information

测试

使用如下命令，测试文本提取结果。

pdftotext -f 1 -l 5 example.pdf example.txt

如果提取到 txt 文件中的文本内容没有出现乱码，则表示内容提取成功。如果出现乱码，需要从字符编码和中文字体排查。