Differences between revisions 1 and 3 (spanning 2 versions)
⇤ ← Revision 1 as of 2009-05-16 03:10:14 →
Size: 4122
Editor: ZoomQuiet
Comment:
← Revision 3 as of 2009-12-25 07:11:02 → ⇥
Size: 4069
Editor: localhost
Comment: converted to 1.6 markup
Deletions are marked like this. Additions are marked like this.
Line 4: Line 4:
[[TableOfContents]] <<TableOfContents>>
Line 6: Line 6:
[[Include(ZPyUGnav)]] <<Include(ZPyUGnav)>>
Line 16: Line 16:
 * [http://groups.google.com/group/python-cn/browse_thread/thread/fc5633b7ab7146d0 如何将pdf文档转换成Txt文本？ - python-cn`CPyUG`华蟒用户组(中文Py用户组) | Google 网上论坛]  * [[http://groups.google.com/group/python-cn/browse_thread/thread/fc5633b7ab7146d0|如何将pdf文档转换成Txt文本？ - python-cn`CPyUG`华蟒用户组(中文Py用户组) | Google 网上论坛]]
Line 54: Line 54:
[http://www.foolabs.com/xpdf/ 官方网站]去下载了中文的
[ftp://ftp.foolabs.com/pub/xpdf/xpdf-chinese-simplified.tar.gz Language support]以及
[http://ftp.gnu.org/gnu/non-gnu/chinese-fonts-truetype/gkai00mp.ttf.gz 中文字体支持]，按照chinese-simplified目录下的README老老实实的配置xpdfrc文件。其中README中提到：		 [[http://www.foolabs.com/xpdf/|官方网站]]去下载了中文的
[[ftp://ftp.foolabs.com/pub/xpdf/xpdf-chinese-simplified.tar.gz|Language support]]以及
[[http://ftp.gnu.org/gnu/non-gnu/chinese-fonts-truetype/gkai00mp.ttf.gz|中文字体支持]]，按照chinese-simplified目录下的README老老实实的配置xpdfrc文件。其中README中提到：
Line 96: Line 96:
  * xpdf for win32：[ftp://ftp.foolabs.com/pub/xpdf/xpdf-3.02pl3-win32.zip xpdf-3.02pl3-win32.zip]
  * xpdf 中文支持库：[ftp://ftp.foolabs.com/pub/xpdf/xpdf-chinese-simplified.tar.gz xpdf-chinese-simplified.tar.gz]
  * xpdf 中文支持字体：[http://ftp.gnu.org/gnu/non-gnu/chinese-fonts-truetype/gkai00mp.ttf.gz gkai00mp.ttf.gz]		   * xpdf for win32：[[ftp://ftp.foolabs.com/pub/xpdf/xpdf-3.02pl3-win32.zip|xpdf-3.02pl3-win32.zip]]
  * xpdf 中文支持库：[[ftp://ftp.foolabs.com/pub/xpdf/xpdf-chinese-simplified.tar.gz|xpdf-chinese-simplified.tar.gz]]
  * xpdf 中文支持字体：[[http://ftp.gnu.org/gnu/non-gnu/chinese-fonts-truetype/gkai00mp.ttf.gz|gkai00mp.ttf.gz]]
Line 105: Line 105:
创建 by -- ZoomQuiet [[[DateTime(2009-05-16T03:10:14Z)]]]
||<^>[[PageComment2]]||<^>[:/PageCommentData:PageCommentData]''||		 创建 by -- ZoomQuiet [<<DateTime(2009-05-16T03:10:14Z)>>]

Contents

  1. pdf->txt
    1. Ubuntu
    2. Win32

pdf->txt

PP <[email protected]>
reply-to        [email protected]
to      python-cn <[email protected]>
date    Fri, May 15, 2009 at 01:49

如何用python将pdf文档转换成Txt文本？有没有相关的类库?google了很多内容，都是将文件转换成pdf的，没有反过来的吗？

Ubuntu

Jiahua Huang <[email protected]>
reply-to        [email protected]
to      [email protected]
date    Fri, May 15, 2009 at 11:22

在 Ubuntu 下， xpdf-utils 和 poppler-utils 都带有 pdftotext，

但是 xpdf-utils 带的 pdftotext 对中文支持不如 poppler-utils 带的 pdftotext。

所以 Ubuntu 推荐用 poppler-utils 附带的 pdftotext， 默认就中文没问题。

Win32

pong Chong <[email protected]>
reply-to        [email protected]
to      [email protected]
date    Sat, May 16, 2009 at 05:31

今天研究了下win32下的xpdf转换中文的pdf，发现还是挺方便的，总结了一下，拿给大家分享，也可以访问我的博客博客

我要转换的pdf是中文的，而且有很多。也想写一个脚本来一次性解决，但是马上我就遇到了问题。当使用命令： 

pdftotext -layout -nopgbrk 1.pdf

转换的时候，发现转换的并不成功，输出的txt文本中会有乱码出现，而且有的文本还被截断了。于是我又到 官方网站去下载了中文的 Language support以及 中文字体支持，按照chinese-simplified目录下的README老老实实的配置xpdfrc文件。其中README中提到： 

Place all of these files in a directory, typically:

    Unix - /usr/local/share/xpdf/chinese-simplified
    Win32 - C:\Program Files\xpdf\chinese-simplified

Add the contents of the "add-to-xpdfrc" file to your system-wide

xpdfrc config file, which is typically:

    Unix - /usr/local/etc/xpdfrc
    Win32 - C:\Program Files\xpdf\xpdfrc

在chinese-simplified目录中找到了add-to-xpdfrc，修改里面的路径为win32相对路径（我的ttf字体支持存放在xpdf根目录下）： 

#----- begin Chinese Simplified support package (2004-jul-27) 
  cidToUnicode Adobe-GB1 chinese-simplified\Adobe-GB1.cidToUnicode 
  unicodeMap ISO-2022-CN chinese-simplified\ISO-2022-CN.unicodeMap 
  unicodeMap EUC-CN chinese-simplified\EUC-CN.unicodeMap 

  unicodeMap GBK chinese-simplified\GBK.unicodeMap 
  cMapDir Adobe-GB1 chinese-simplified\CMap 
  toUnicodeDir chinese-simplified\CMap 
  displayCIDFontTT Adobe-GB1 gkai00mp.ttf 
  #----- end Chinese Simplified support package

这样，配置就完成了，在xpdf目录下新建一个xpdfrc文件，注意没有扩展名！将上面的文本拷贝进去。再执行 

pdftotext -layout -nopgbrk 1.pdf

文本完美转换。 参数说明，

  • -layout:保持原有版面
  • -nopgbrk:不插入分页符号

剩下的工作就简单了，只需遍历目录下的pdf文档顺序生成就OK了。改天写好代码补上来。

文中资源下载

反馈

创建 by -- ZoomQuiet [2009-05-16 03:10:14]

MiscItems/2009-05-16 (last edited 2009-12-25 07:11:02 by localhost)