Làm cách nào để trích xuất văn bản từ pdf trong script trên Linux?

Trên Linux - Làm cách nào để trích xuất văn bản từ một .pdfvăn bản thực sự là văn bản chứ không phải hình ảnh được quét? Tôi muốn một cái gì đó tôi có thể sử dụng trên dòng lệnh / trong một kịch bản, không tương tác. (Tôi không muốn chuyển đổi sang .tifvà sử dụng OCR - văn bản đã có sẵn trong .pdftệp, vậy tại sao lại giới thiệu không chính xác từ OCR không hoàn hảo?)

pdftotext đi kèm với poppler sẽ cố gắng trích xuất bất kỳ văn bản nào được tìm thấy trong PDF.

Câu trả lời của Ignacio là tốt. Trên thực tế, đó là điều đầu tiên trong danh sách của tôi. Chà, điều đó và có lẽ là gợi ý pdftohtmlcông cụ đi kèm với poppler, kết hợp với pdfreflow nếu bạn muốn thử ghép lại văn bản thành đoạn văn, v.v. (Tất nhiên, điều này sẽ cung cấp cho bạn đầu ra HTML, nhưng chuyển đổi HTML sang văn bản thuần túy có thể được thực hiện theo nhiều cách.)

Dưới đây là một số tùy chọn khác.

Công ebook-convertcụ dòng lệnh từ Calibre , có thể chuyển đổi .PDF thành văn bản thuần túy (hoặc RTF hoặc một số định dạng ebook, như ePub, v.v.)

pdftxtextracttừ Podofo

Abiword có thể được gọi từ dòng lệnh để chuyển đổi giữa bất kỳ định dạng nào mà nó có thể nhập từ / xuất sang và với plugin nhập thích hợp, điều này bao gồm các tệp PDF:

abiword --to=txt file.pdf

(Công bằng mà nói, tôi nghĩ AbiWord và tầm cỡ đều sử dụng các thư viện poppler, nhưng tôi không tích cực.)