如何从 PDF 中提取文本内容（不是图像），同时（大致）保持 Google Docs 可以的样式和布局？
问问题
24250 次
6 回答
10
要从 PDF 中提取文本并获取其位置，您可以使用PDFMiner。PDFMiner 还可以直接以 HTML 格式导出 PDF，将文本保持在正确的位置。
我不知道您的用例，但是这样做时您可能会遇到很多问题，因为 PDF 确实是面向演示而不是面向内容的，文本流不是连续的。因此，如果您希望文本可编辑，这将不是一件容易的事。
于 2010-02-04T02:13:20.127 回答
4
如果你想像谷歌一样做：
Google 将 PDF 转换为图像，然后用 JavaScript 可突出显示的区域（类似于 Voodoo 魔法）覆盖图像，以前是文本所在的位置。当您用光标滚动这些区域时，这些区域似乎是文本，但它们不是。这可能无法帮助您了解，但他们就是这样做的。如果你想对其进行逆向工程，你可以从https://www.mercurial-scm.org/开始，在主页上，他们用 JavaScript 做同样的事情来使文本高亮和可复制。您可以从 PDF 中提取文本，并在其他答案中提到的库中找到它在页面中的位置。然后，您可以使用相同样式的 JavaScript 区域覆盖文件的提取图像。
于 2010-02-04T01:25:54.000 回答
4
Xpdf 有一个名为 PDFtoText 的实用程序，它做得很好。http://foolabs.com/xpdf/download.html
于 2011-07-05T17:21:56.027 回答
3
如果你不打算用 python 来做这件事，Ghostscript可以为你做这件事。查看 pdf2ascii（GS 附带的脚本）以获取纯文本。样式更复杂，因为它们可以通过几种不同的方式指定。
于 2010-02-04T01:23:43.553 回答
3
Acrobat Professional 可以胜任这项工作。在“文件”菜单中，选择导出。然后，选择文本。
于 2012-10-24T19:39:41.997 回答