问题标签 [pdftotext]

我正在尝试使用 pdftohtml，但我发现它有时难以正确解析表格。它将两列中的文本分组到一个单元格中，这使我尝试解析结果数据是徒劳的！

请注意，这仅在 PDF 中发生一次或两次，并且非常不可预测。

我已经尝试过最新版本的 pdftohtml（包括 0.40a 测试版），但无济于事。

有人知道任何可能值得尝试的与 Linux 兼容的等价物吗？

谢谢，

山姆

我正在使用 python 从使用 pdftotext 从 pdf 创建的文本文件中提取文本。它是 2000 个文件之一，在这个特定的文件中，一行关键字以 EU 结尾。该行的其余部分对肉眼来说是空白的，下面的行也是如此。

程序通常会去掉行尾的任何尾随空白并忽略随后的空白行。

在这种情况下，它保存了在“EU.”之间的文本文件中打印出来时看到的空格，类似地在 html 中（Simile Exhibit）。

我还打印到命令行，在这里我看到了一个 aacute 字符串。[?]

我认为解决这个问题的明显方法是搜索和替换acute。我试图用一个编译语句来做到这一点，并且我已经玩过解码传入文本的排列。

奇怪的是，当我打印“\255”时，我没有得到 aacute，而是得到一个 o 坟墓。

这种奇怪的错误组合似乎很可能使我误解了一些基本的东西。关于如何开始解开这个问题的任何提示？

非常感谢。

嗨，当谈到 Solr 时，我是一个天真的用户。请指导我解决以下障碍。

1) Solr 索引 PDF 文档

尝试过的解决方案

我使用 tika-app 0.9.jar 将输入 PDF 文件中的内容提取到文本文件中。现在我正在尝试编写一个 java 代码来将文档索引到 Solr。

2）将它们发布到远程服务器

我需要将文档或索引发布到中央远程服务器。可以使用 curl 命令。

问候巴拉吉。

我目前正在使用 PDFBox 并从文件夹 1 中的 a.pdf 中读取

我首先列出在文件夹中找到的所有 Pdf 文件。然后我检查每个文件的页数。现在我想转到页脚下方文件的最后，添加一个打印机可以识别的图像来装订页面，因为它会意识到它已经到达文件末尾。

我已经到了，直到获得文件列表和页数。

我使用什么命令转到最后一页的末尾并在那里写。

我应该将 .pdf 文件转换为文本还是应该能够使用 PDPageContentStream

这是我目前正在使用的代码，我正在尝试测试并查看是否将 AAA 字符串插入到我的 pdf 文件的最后一页中。该项目正在执行，没有错误，但由于某种原因它没有被插入到 pdf 中。

感谢您的关注

我上面使用的代码是正确的。问题是生成的 PDF 文件是 1.2 版，这就是我不允许编辑 pdf 文档的原因。

有谁知道如果我使用的是 1.2 版我应该怎么做，因为我无法真正升级它。

我必须将 PDF 转换为文本，目前我正在使用pdftotext.exe. 这有时会弄乱结果文本，所以我不能使用它。

我可以从另一个程序调用另一个免费工具吗？我更喜欢命令行工具。

我正在使用Foxit SDK从 Pdf 文档中提取文本。

一切都很好，但是当我提取其他语言而不是英语的 pdf 时，我没有得到正确的输出。

我也在java中使用过PDFBox，但这给了我最差的输出，Foxit SDK的输出比PDFBox好。

是否有其他可以解决问题的库..？或者还有其他解决方案。

我不知道如何pdftotext通过shell_exec()语句为整个目录构建循环。

就像是 ：

但我不确定如何在第二次调用$pdfs我的shell_exec()声明时删除 .pdf 扩展名并将其替换为.txt

也不确定这个循环是否正确......

我们的数据库中有一个 PDF 格式的二进制文件。我将其流式传输并保存为 PDF 文件，并使用两个源进行了测试，最终得到相同的结果：PdfTextExtractor 拼错了一些单词。

例如，PDF 中有一个词“已确认”。PdfTextExtractor 转换后，拼写为“已确认”。

我在调试中逐步完成该过程，它在被 PdfTextExtractor 转换后立即拼写错误，所以我确信它不是不准确的，因为我正在做一些事情。

我能做些什么来提高 PdfTextExtractor 的准确性吗？

这是我目前正在使用的代码：

我正在寻找一些（最好是免费的）库，它可以帮助从指定的矩形区域中提取 PDF 文本，该矩形区域由左、上、宽和高参数指定。它应该可以在 linux 系统上与 PHP 一起使用。您能否建议这样一个库和一个工作示例？

案子：

• 服务器不支持 exec/shell_exec (所以 pdftotext 被排除在外)
• 其他图书馆不接受 PDF。Pdftotext 有效（在本地文件上测试）

以下是（PDF）代码的一些摘录：

关于创作者：

我想获得一些关于如何在 PHP 中将其转换为纯文本的建议，而不使用 exec/shell_exec 函数。

谢谢你。

（其他解决方案，如http://webcheatsheet.com/php/reading_clean_text_from_pdf.php不起作用，我无法让他们至少将此代码转换为看起来像 ASCII 代码的东西。）