问题标签 [pdftotext]

我正在尝试使用以下命令从 PDF 文件中获取文本：

问题是如果我的 PDF 文件-在正文中包含任何破折号 ( )，则生成的文本文件将没有它们（使用该-layout选项将得到相同的结果）。

例子：

• PDF 文件包含：-5:00 Eastern Standard Time

• 生成的 TXT 文件将包含：5:00 Eastern Standard Time

有没有人遇到过同样的问题？

我想在 MacOSX 上安装 pdftotext。与其他软件包安装程序相比，我更喜欢 fink。我用了：

认为 pdftotext 可能包含在内（就像使用 brew install poppler 时一样），但似乎没有。是否应该安装 pdftotext，如果是，安装在哪里？

我现在已经走上了安装 Homebrew 的道路，但 Fink 和 Homebrew 似乎并不太愉快地共存。

有没有办法让这个代码在 python 中工作？

我有一个存储我所有 pdf 文件的路径。每个文件名都有希腊字符，例如 (ΤΕΣΤ_1_2014)。当我运行上面的代码时，我收到这样的错误

字符串的编码和解码有什么区别？当我创建txt文件时，我在最后一行都使用了它们，但它们都不起作用请帮助！

I want to parse a pdf file, for that I am using pdftotext utility which converts pdf file into text file, now I want to remove a page number, header and footer from text file.

I am converting a pdf file using following syntax:

Can anyone help me on this?

我遵循了这个线程的想法，但它不起作用。 https://unix.stackexchange.com/questions/6704/how-can-i-grep-in-pdf-files

我确信“过滤器”在这本书中至少出现了 100 次。

有任何想法吗？

I have a pdf file which contains section headings and its details, using Apache TIKA how do I extract text with its style and format?

使用上面的代码，我可以将 pdf 数据提取到文本文件中，但我只能得到一页。我想在我的 pdf 中获取每一页。

我知道它在包含的行中

我不确定如何更改它。我什至尝试过（1..200），它只给了我第一页。有人熟悉使用 CAM::PDF 吗？

我的问题是我有一堆 PDF 文件，我想将它们转换为文本文件。其中一些是纯PDF，而另一些则扫描了里面的页面。我正在用 python 编写一个程序，所以我使用 pdftotext 将它们转换为 TXT。

我正在使用下面的命令

我想问的是是否有办法在转换之前检查扫描的页面，以便我可以使用带有 pdftotext 的 ghostscript 命令来操作它们。现在我有一个阈值来检查 .txt 文件的大小，如果它低于这个阈值，我正在使用 ghostscript 命令来操作它们。

问题在于，即使使用 pdftotext 扫描 90 页中的 50 或 60 页的大型文件，文件的大小也始终高于阈值。

我正在制作一个脚本，它应该在目录中的所有 pdf 文件中进行搜索。我发现了一个转换后的名为“pdftotext”的文件，它使我能够在 pef 文件上使用 grep，但我只能用一个文件运行它。当我想在目录中存在的所有文件上运行它时，它会失败。有什么建议么 ？

这有效：对于单个文件

这失败了：用于搜索 pdf 文件并转换为文本和 greping

我正在尝试使用 Java 将 pdf 转换为 txt。我尝试过 Apache PDFBox，但由于某些奇怪的原因，它不能转换整个文档。出于这个原因，我决定通过执行 Runtime.getRuntime().exec() 调用来使用 pdftotext。问题是，虽然我的终端 pdftotext 完美运行，但 exec() 调用给了我错误代码 1（有时甚至是 99）。这是电话：

这是代码

这是 PDF2TXT_COMMAND 字符串定义：

我知道通常这些类型的错误是由权限设置引起的。因此，这里是 Hello 文件夹中 ls -l 命令的输出：

另外，请注意创建进程的用户是 koldar，它位于组 www-data 本身中。感谢您的时间和耐心！