问题标签 [pdftotext]

我需要将文件夹中的 24 个 PDF 文件转换为 txt 文件，以便对它们进行语义分析。我看了看这个问题，然后从那里开始。但是，在第一次让代码工作之后，我改变了一些东西，现在我收到以下错误：

正因为如此，bodies下面代码的变量中保存的只是一个 24 个空白的列表，我最终得到了 24 个空白文本文件（除了通过将 PDF 转换为 txt 创建的 24 个文本文件之外）。我不确定我做错了什么——在某一时刻，这段代码有效！

我已经查看了我可以找到的有关此错误的信息，但这些都与 相关read.csv，并且他们建议的修复（设置white.space=TRUE和quote=""）不起作用。

这是代码（错误在第 20-23 行）：

编辑：关于变量结果的更多信息bodies：结果是一个 24 的列表，它采用以下形式（在 R Studio 控制台上，我不确定它的实际名称）： bodys: list of 24 ： List of 1 ..$ : chr(0) :List of 1 ..$ : chr(0) （重复 24 次）

但我终其一生都无法弄清楚为什么会这样——我认为这与这里chr(0)发生的同样的事情有关——我绝对没有捕捉到所有的台词。

我已经尝试了我能想到的一切，甚至切换readLines()到scan()，并且我已经看过这是否会有所帮助。我什至换scan()了read.table()，但事实证明，它read.table()本身就依赖scan！所以......我被困住了，我只是在兜圈子。

我正在尝试使用我的 pdfform-scraper-script 删除一些隐藏的输入，然后再将其写入 csv 文件。但我不断收到标题中提到的错误。相关的代码是：

完整的错误（+输出）是：
ok
ok

回溯（最后一次调用）：文件“C:\Python27\Scripts\test3.py”，第 37 行，在 elif '\n' 中的值：TypeError：'PSLiteral' 类型的参数不可迭代

有谁知道如何解决这个问题？

我正在尝试从存储在 Windows Phone 8.1 应用程序的 localStorage 中的 PDF 中获取文本，但我总是收到 FileNotFoundException。

为了解释整个故事，我从在线资源获得了一个 PDF，我将它存储到一个名称与用户名相同的文件夹中（用户名是一个电子邮件地址，但我也尝试过不带 @ 符号），然后我想从 PDF 文件中获取一些文本。我使用 iTextSharp 并按照示例进行操作，但无法成功。当我将 PDF 发送到启动器时，使用 Acrobat Reader 等其他应用程序成功打开。

我的功能如下。我首先发送一个PDF Object，它有一个名为Path的属性，它存储在特定于用户用户名的文件夹中。然后我将 pdf 作为StorageFile Item 获取。当我创建调用构造函数的PDFReader时，我得到一个 FileNotFoundException。有谁知道或可以猜到可能是什么问题？iTextSharp 是否与 Windows Phone 8.1 兼容？

提前致谢。

的背景：

我正在开发一个控制台应用程序，该应用程序从 pdf 文档的特定部分中提取数据。为此，我首先需要将该 pdf 转换为要使用的字符串。为此，我求助于 iTextSharp。pdf 布局为每页两列，因此我使用 SimpleTextExtractionStratgey()（我尝试了 iTextSharp.text.pdf.parser.LocationTextExtractionStrategy()；但发现它对页面布局无效）。

转换为文本的内容说明：

我似乎遇到问题的页面有一个“标题”张贴在页面的一侧。带有页眉的页面间歇性地分散在文档中。

页面布局图片：http: //postimg.org/image/b7i25v0g1/

问题：

似乎当它完成浏览页面上的列然后移动到该侧标题时。然后它会跳转到带有侧页眉的下一页，将其转换为文本，然后从遇到第一个页眉的页面顶部重新开始。

我最终会得到如下所示的文本：

第 1 页内容

第一个标题

第二个标题

第 1 页内容

第 2 页内容

等等

这是pdf：http ://www.filedropper.com/dd35-completeadventurer

我没有嫁给 iTextSharp 我只需要一种可靠的方法来将这种格式的文档转换为文本。解决方法或替代方法将不胜感激。

我正在做一个需要将 PDF 转换为文本的项目。PDF 包含印地语字体（具体为 Mangal）和英语。

100% 的英语被转换成文本。印地语部分的转换率约为 95%。剩余的 5% 印地语文本要么以空白形式出现，要么像“ा”一样。我可以弄清楚重音字符没有正确转换为文本。

我正在使用以下代码：

PDF 使用以下字体

名称、类型、emb、sub、uni

ZDPKEY+Mangal，CID TrueType，是的，是的，是的

Mangal TrueType，不，不，不

Helvetica-Bold Type 1，不，不，不

CODUBM+Mangal-Bold，CID TrueType，是的，是的，是的

Mangal-Bold，TrueType，不，不，不

Times-Roman, Type 1 no, no, no

Helvetica，类型 1，不，不，不

以下是转换的结果。左侧是原始PDF。右侧是在记事本中打开的文本：

我的问题是 5% 的缺失/垃圾字符是否可以用开源包在 Text 中正确捕获？非常感谢您的投入！

我已经在 mac 中下载了 PDFtoText 并编写了以下代码来将 pdf 文件转换为文本：

代码运行良好，但我无法在源目录中看到 my.txt，也无法将其保存在文件夹中的任何位置。我哪里出错了？

我的一位导师能够在他的计算机上运行相同的代码，并且能够看到转换后的 .txt 文件。

请指导。

我正在使用 ITextSharp 5.5.3.0 版，我正在尝试从 C# 中的 pdf 中提取文本。pdf是一种形式，而不是图像。这是代码：

返回的文本不可用。pdf 是使用 GhostScript 生成的。

有人对问题可能有什么建议吗？或者有什么建议？

我对解析pdf和fd有一些疑问：

1. 使用的目的是什么

PDDocument.loadNonSeq包含临时/临时文件的方法？

2. 我有很大的 pdf，我需要解析它并获取文本内容。我使用PDDocument.load()PDFTextStripper逐页提取数据（pdfstripper 已经得到setStartPage(n)，setEndPage(n) 其中 n=n+1 每页循环）。使用 loadNonSeq 代替加载对内存更有效吗？

例如

此代码是否在正确的 loadNonSeq 使用之上，并且在没有大量内存的情况下每页阅读 PDF 页面是一种好习惯吗？我使用逐页阅读，因为我需要使用 DOM 内存在 XML 中编写文本（使用剥离技术，我决定为每个页面生成一个 XML）

我正在尝试使用pdftotext软件将 pdf 文档转换为文本文档。

我需要从 python 脚本调用这个应用程序 inc 命令提示符来转换文件。

我有以下代码：

当我运行此代码时，出现错误

你能帮忙pdftotext从python调用应用程序将pdf转换为文本文件吗？

是否有任何用于 winform 或 wpf 的 .net 免费库可以提供控制以选择图像中的特定区域，然后我们可以将这些区域保存为不同的图像。如果我们可以在图像上使用鼠标绘制网格，然后将该网格保存为单独的图像，那就太好了。