Preciso de arquivos PDF em texto para que eu possa pesquisá-los em massa a partir da linha de comando. Existe algum conversor para Ubuntu, OBSD ou distribuição similar?
calibre 's ebook-convertprograma de linha de comando (ou calibre em si) é outra opção; ele pode converter PDF para texto sem formatação ou outro formato de e-book (RTF, ePub), na minha opinião, gera melhores resultados que o pdftotext, embora seja consideravelmente mais lento.
ebook-convert file.pdf file.txt
O AbiWord pode converter entre todos os formatos que conhece da linha de comando e, pelo menos, opcionalmente, possui um plug-in de importação de PDF:
ebook-convert da calibre ... você viu o que isso faz com as ligaduras? Bleargh. vamos colocar desta maneira: não é um programa muito eficaz. O pdftotext é muito mais fiel. Eu nunca descobri nenhum erro em sua saída.
Ixtmixilix
1
Você pode usar menos para visualizar arquivos PDF como texto. Invoca um pré-processador, ou seja, lesspipe, para invocar o pdftotext ou ferramentas similares.
Daniel Näslund 13/03/12
pdftotextfornece resultados mais precisos do que ebook-converte é muito rápido. ebook-converté lento.
Amit Patel
pdftotextcom -layoutopção de pedras! calibrerequer mais de 600mb para instalar! Isso é loucura)
Stalinko 15/11/2018
9
Você pode converter PDFs em texto na linha de comando com o pdftotext (Ubuntu: poppler-utils ; OpenBSD: xpdf-utilspackage).
Você pode usar Recoll
(Ubuntu: recoll ; OpenBSD: sem porta, mas existe um para o FreeBSD .) Para pesquisar dentro de vários tipos de documentos de texto formatados, incluindo PDF. Há uma GUI e ela cria um índice automaticamente sob o capô. Ele usa pdftotextpara converter PDF em texto.
O Acrobat Reader (pelo menos a versão 9 no Linux) possui um recurso limitado de pesquisa de vários arquivos (você pode pesquisar em todos os arquivos em um diretório).
O pdftotext provavelmente é o que você está procurando: http://en.wikipedia.org/wiki/Pdftotext , a menos que o texto que você deseja extrair esteja realmente sob uma forma gráfica, o que não é tão comum nos documentos em PDF.
O gPDFText converte o conteúdo do ebook PDF em texto ASCII, reformatado para parágrafos de linhas longas. Funciona para mim e possui uma interface gráfica.
Olá e bem-vindo ao site! Gostamos de que as respostas sejam um pouco mais abrangentes aqui. Por exemplo, você pode adicionar onde gPDFTextpode ser obtido, como pode ser instalado e como seria usado para responder à pergunta do OP.
pdftotext=pdfcat.Respostas:
Você tem muitas opções!
pdftotextdo poppler já foi mencionado.Existe um programa Haskell chamado
pdf2lineque funciona bem.calibre 's
ebook-convertprograma de linha de comando (ou calibre em si) é outra opção; ele pode converter PDF para texto sem formatação ou outro formato de e-book (RTF, ePub), na minha opinião, gera melhores resultados que o pdftotext, embora seja consideravelmente mais lento.ebook-convert file.pdf file.txtO AbiWord pode converter entre todos os formatos que conhece da linha de comando e, pelo menos, opcionalmente, possui um plug-in de importação de PDF:
abiword --to=txt file.pdfOutra opção é
podofotextextractda biblioteca de ferramentas PDF podofo. Eu realmente não tentei isso.Se você combinar as duas ferramentas Ghostscript,
pdf2pseps2asciiainda terá outra opção.Posso pensar em mais alguns métodos, mas deixarei por enquanto. ;)
fonte
pdftotextfornece resultados mais precisos do queebook-converte é muito rápido.ebook-converté lento.pdftotextcom-layoutopção de pedras!calibrerequer mais de 600mb para instalar! Isso é loucura)Você pode converter PDFs em texto na linha de comando com o pdftotext (Ubuntu: poppler-utils ; OpenBSD:
xpdf-utilspackage).Você pode usar Recoll (Ubuntu: recoll ; OpenBSD: sem porta, mas existe um para o FreeBSD .) Para pesquisar dentro de vários tipos de documentos de texto formatados, incluindo PDF. Há uma GUI e ela cria um índice automaticamente sob o capô. Ele usa
pdftotextpara converter PDF em texto.O Acrobat Reader (pelo menos a versão 9 no Linux) possui um recurso limitado de pesquisa de vários arquivos (você pode pesquisar em todos os arquivos em um diretório).
fonte
O pdftotext provavelmente é o que você está procurando: http://en.wikipedia.org/wiki/Pdftotext , a menos que o texto que você deseja extrair esteja realmente sob uma forma gráfica, o que não é tão comum nos documentos em PDF.
fonte
O gPDFText converte o conteúdo do ebook PDF em texto ASCII, reformatado para parágrafos de linhas longas. Funciona para mim e possui uma interface gráfica.
fonte
gPDFTextpode ser obtido, como pode ser instalado e como seria usado para responder à pergunta do OP.