如何将pdf文档转换成Txt文本？
PP
--------------
PP
2009-05-15
xxmplus
> 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？
>
如果pdf是从文本生成的（姑且将word也当作文本），那么反过来很容易，只是会丢失格式排版而已
如果是一张图片（内容是文字，比如起点的小说那种，或者是扫描的文档），那就很麻烦，需要OCR
--
Any complex technology which doesn’t come with documentation must be the best
available.
Sent from Sydney, Nsw, Australia
PP
He Jibo
He Jibo
hej...@gmail.com
jib...@cyrus.psych.uiuc.edu
---------------------------
He Jibo
Department of Psychology,
Beckman Institute for Advanced Science and Technology
University of Illinois, Urbana Champaign,
603 East Daniel St.,
Champaign, IL 61820
Tel: 217-244-4461(office)
217-244-6763(lab)
Email: hej...@gmail.com
Bill Cosby - "Fatherhood is pretending the present you love most is soap-on-a-rope."
xxmplus
> pdf转换txt其实是用pdf解析引擎对pdf解析，而后不进行渲染，直接提取文本内容。可用的引擎有adobe的(要钱的)，foxit(好像是中国
> 人弄的，核心引擎还不错)，xpdf(全开源的)，GhostScript(很有名的解析软件，可惜太大了)。开源可用的基本只有后两者，其中我也研究的
> 是前者(没办法，gs实在太大了)。你可以拿xpdf的源码来看看，很有意思。
我不研究，我直接拿来用而已。不过我处理的很多pdf都是扫描文档，xpdf的比例很小，主要是OCR
Jiahua Huang
> 谢xxmplus兄！
>
> 昨天百度勾勾了半宿，终于在勾勾第十页上找到了替代解决办法
>
> 忙不迭存到我的博客里免得忘了。http://wf1128.cn/?p=111
>
> 这里使用的工具是xpdf现成的包，里面有win和lin两个版本,且都有shell版本，我的平台是win，已经成功利用pdftotext.exe将1本很大的pdf转成了txt，只是里面的中文有小
> 部分是乱码，今天要研究下它的字符集配置（网站有汉字的字符集下载，想的挺周到的），速度也很快。
>
> 对于我这样的懒人，这些够用了撒！我只是想将pdf转成txt，再分析txt将其存入数据库。
>
> 不过对于通过python编程实现pdf到txt的转换，还是期望大家能继续讨论，让我好好学习下
>
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。
liuxintongszncu
例子如下：
>>> myList.sort()
>>> myList
['1-Sarcosine-8-Isoleucine Angiotensin II D23.469.050.050.050.725', '11-beta-Hydroxysteroid Dehydrogenase Type 1 D08.811.682.047.436.174.300', '2-Aminoadipic Acid D02.241.081.337.052.075']
>>>
2-Aminoadipic Acid D02.241.081.337.052.075
穿越地震带 纪念汶川地震一周年
LaiYonghao
--
赖勇浩的编程私伙局：http://blog.csdn.net/lanphaday
pong Chong
liuxintongszncu
Rainbird
>>> myList.sort(key = lambda x:int(x.split('-',1)[0]))
>>> import pprint
>>> pprint.pprint(myList)
东子
liuxintongszncu
for eachLine in myList:
f.writelines(eachLine)
File "D:\Python26\Lib\site-packages\pythonwin\pywin\framework\scriptutils.py", line 325, in RunScript
exec codeObject in __main__.__dict__
File "D:\Python26\P102.py", line 11, in <module>
myList.sort(key = lambda x:int(x.split('-',1)[0]))
myList.sort(key = lambda x:int(x.split('-',1)[0]))
穿越地震带 纪念汶川地震一周年
Rainbird
LaiYonghao
--
赖勇浩的编程私伙局：http://blog.csdn.net/lanphaday
Jiahua Huang
> 借问个弱弱的问题
>>>> import string
>>>> myList.sort(key = lambda x:int(x.split('-',1)[0]))
>>>> import pprint
>>>> pprint.pprint(myList)
> 这几行好像是在python的交互环境里拷贝出来的
> 可是我的交互环境不能右键啊？还是有什么快捷键？
>
估计又是 XP 的 CMD。
cmd.exe 好像默认选中即复制，
cmd 里边按右键粘贴，
在别的程序里粘贴是粘贴 cmd 里选中内容。
shell909090
2009/5/15 shell909090 <shell...@gmail.com>:pdf转换txt其实是用pdf解析引擎对pdf解析，而后不进行渲染，直接提取文本内容。可用的引擎有adobe的(要钱的)，foxit(好像是中国 人弄的，核心引擎还不错)，xpdf(全开源的)，GhostScript(很有名的解析软件，可惜太大了)。开源可用的基本只有后两者，其中我也研究的 是前者(没办法，gs实在太大了)。你可以拿xpdf的源码来看看，很有意思。我不研究，我直接拿来用而已。不过我处理的很多pdf都是扫描文档，xpdf的比例很小，主要是OCR
Jiahua Huang
> OCR可就比较难了。
>
英文的可以 pdfimages 后 gocr，
或者直接 PIL/ImageMagick 将 pdf 转为图片，再 gocr （可能会稍差些）
xxmplus
shell909090
2009/5/15 Jiahua Huang <jhuang...@gmail.com>:2009/5/15 shell909090 <shell...@gmail.com>:OCR可就比较难了。英文的可以 pdfimages 后 gocr， 或者直接 PIL/ImageMagick 将 pdf 转为图片，再 gocr （可能会稍差些）哈哈，不是难在ocr，而是难在文档的质量太差，全是潦草的手写体，人去读都未必读的懂，何况机器
pong Chong
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.pdfPlace 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
Zoom.Quiet
> 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
>
收录了！
http://wiki.woodpecker.org.cn/moin/MiscItems/2009-05-16
--
http://zoomquiet.org
'''过程改进乃是催生可促生靠谱的人的组织!'''
向靠谱,反脑残! Kaopulity,小白退散!
rosory
On 5月16日, 上午11时10分, "Zoom.Quiet" <zoom.qu...@gmail.com> wrote:
> 2009/5/16 pong Chong <zanpen2...@gmail.com>:> 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
>
> Win32 下面也不方便哪，，，
> 收录了！http://wiki.woodpecker.org.cn/moin/MiscItems/2009-05-16
>
>
>
>
>
>
>
> > 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
>
> --http://zoomquiet.org
> '''过程改进乃是催生可促生靠谱的人的组织!'''
> 向靠谱,反脑残! Kaopulity,小白退散!- 隐藏被引用文字 -
>
> - 显示引用的文字 -
wmr2007
Jiahua Huang
> 有没有能识别图片pdf的？
>
上边说了， pdfimages （在 poppler-utils 里）后 gocr （或其他你能搞到的 ocr）
mifly
p/tesseract-ocr/，不暂不支持中文.
On 5月16日, 下午9时22分, Jiahua Huang <jhuangjia...@gmail.com> wrote:
> 2009/5/16 wmr2007 <wmr89502...@gmail.com>: