问题标签 [xpdf]

我正在尝试将大约 600 个充满表格的 pdf 文件提取为文本格式，以便进行一些数据探索。看起来 pdftool 是我完成工作的最佳选择，但帮助文件很简短。我找到的最接近的教程使用 xpdf。有没有办法使用 pdftools 做到这一点？

xpdf批处理教程

但是，由于xPDF可以将 PDF 转换为 PNG，因此我跳过了 ImageMagick 转换步骤以及函数（i）过程的错误逻辑，因为 pdftopng 需要根名称，在这种情况下为“ocrbook-000001.png”，并在查找原始 PDF 文件名的 PNG 时引发错误。

我现在的问题是让 Tesseract 对我的 PNG 文件做任何事情。我得到错误：

这是我的代码：

我正在将 Type3 字形字体从 Pdf 解析为 postscript。输入文件具有应用了数据流 flate 解码过滤器的内联图像。过滤器具有预测器 15。任何人都可以帮助我将图像流从 pdf 格式转换为 postscript。这就是在 pdf 中给出输入流的方式

这就是我试图在 Postscript 的输出中写的内容

我正在使用 postscript 中的 type 3 字体。我正在尝试调试此文件并且出现错误。ioerror 图像掩码。pdf 文件中的输入字形如下所示。我已将二进制数据转换为 ascii hex，因为我发现无法按原样使用它。

下面是用于进一步演示的后记和 pdf 文件链接。 https://ufile.io/zmmjv https://ufile.io/2r2eb

我已将 xpdf 文件下载并存储到我的 C: 磁盘中的一个目录中：

此外，我已经包含了环境路径的路径：

但是，我仍然收到一条错误消息：

我需要将 pdf 转换为 pgm，并且当我运行（示例）命令时

我将 pdf 的第一页作为输出。即使我清楚地将第一页指定为第 5 页。我没有指定 -singlefile 参数，这可能会导致这种情况。即使我指定一个页面，比如

，第一页被转换。任何指针？

我有一个 postscript 文件，当我用 ghostscript 打开它时，它显示输出没有错误。但是当我尝试用 adobe 提取它时，它会因以下错误而停止。

%%[错误：未定义；违规命令：show；ErrorInfo: MetricsCount --nostringval-- ]%% 我已经通过从文件中删除文本来缩短文件，现在输出中只有两个单词。

后记文件

我正在做 pdftotext -bbox file.pdf 并产生字级输出。有没有办法在字符/短语/行/块级别上输出坐标？

我很想知道 pdftotext 的 poppler 或 xpdf 版本是否可以做到这一点。

我正在使用“ pdftotext -bbox file.pdf”将pdf文件转换为HTML.

这是输出中的示例行：

有没有办法获取每个单词的字体信息，例如：

• 字体系列，例如 Verdana
• 样式，即无、粗体、斜体
• 大小，例如字体大小 9

我很想知道 pdftotext 的 poppler 或 xpdf 版本是否可以做到这一点。

我收到一个错误：

使用以下代码行：

我怀疑这是一个错误，因为我正在运行的可执行文件不接受 Powershell 变量作为参数，但我不确定。如果是这种情况，是否有解决方法？

背景资料：

我正在编写一个脚本，它接受用户输入的 pdf 文件位置（通过文件打开对话框）并将结果存储在一个变量中，希望用作 xpdf 的 pdftotext.exe 的路径参数。