pdf->txt

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

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)

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

xpdf for win32：xpdf-3.02pl3-win32.zip
xpdf 中文支持库：xpdf-chinese-simplified.tar.gz
xpdf 中文支持字体：gkai00mp.ttf.gz

反馈

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