##language:zh #pragma section-numbers off ##含有章节索引导航的 ZPyUG 文章通用模板 <> ## 默许导航,请保留 <> = pdf->txt = {{{ PP reply-to python-cn@googlegroups.com to python-cn date Fri, May 15, 2009 at 01:49 }}} * [[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]] 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？ ##startInc == Ubuntu == {{{ Jiahua Huang reply-to python-cn@googlegroups.com to python-cn@googlegroups.com 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 reply-to python-cn@googlegroups.com to python-cn@googlegroups.com 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 [[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： {{{ 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：[[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]] ##endInc ---- '''反馈''' 创建 by -- ZoomQuiet [<>]