У Linux - Як витягнути текст із тексту, .pdfу якому насправді є текст, а не відсканований образ? Я хочу щось, що можу використовувати в командному рядку / в сценарії, а не інтерактивно. (Я не хочу конвертувати .tifта використовувати OCR - текст уже доступний у .pdfфайлі, тож навіщо вводити неточності від недосконалого OCR?)
Відповіді:
pdftotext що постачається з poppler, спробує витягти будь-який текст, знайдений у PDF.
Відповідь Ігнасіо просто чудова. Насправді це було б перше, що в моєму списку. Ну, і, можливо, запропонувати pdftohtmlінструмент, який також постачається з poppler, у поєднанні з pdfreflow, якщо ви хочете спробувати зібрати текст у абзаци тощо. (Звичайно, це дасть вам вихід HTML, але перетворення HTML у звичайний текст може робиться багатьма способами.)
Ось ще кілька варіантів.
Інструмент ebook-convertкомандного рядка від Caliber , який може конвертувати .PDF в звичайний текст (або RTF або декілька форматів книг, наприклад, ePub тощо)
pdftxtextractвід Подофо
Abiword можна викликати з командного рядка для конвертації між будь-якими форматами, в які він може вводити / експортувати, та з відповідним плагіном імпорту, сюди входять PDF-файли:
abiword --to=txt file.pdf
(Справедливо кажучи, я думаю, що AbiWord і caliber обидва використовують бібліотеки poppler, але я не позитивний.)