基于列分割文本文件

Question

所以我有一张发票需要我做一份报告。它平均长约250页。所以我正在尝试创建一个脚本，它将提取发票的特定值并进行报告。这是我的问题：

1. 发票采用pdf格式，其中包含两列。在Linux命令中，我想使用'pdftotext'Linux命令转换为多个文本文件（每个txt文件代表每个pdf页面）。我该怎么做
2. 我认识到'pdftotext'命令将页面的一部分和页面的右侧部分分开，在它们之间有21个空格。如何将数据的右侧（在连续读取至少21个空格后确定）到文件末尾
3. 由于文件较大且我只持续几页文件，如何删除脚本中的所有文本文件（非手动），直到我读取关键字（让我们只说关键字=开始发票）？ / LI>

   我知道这是很多问题，但我对Linux命令可以做什么感到困惑。你们能引导我走向正确的方向吗？感谢

   PS：我正在使用CentOS 5.2

Answer 1

怎么样：

pdftotext YOUR.pdf | sed 's/^\([^ ]\+\) \{21\}.*/\1/' > OUTPUT
pdftotext YOUR.pdf | sed 's/.* \{21\}\(.*\)/\1/' >> OUTPUT

但您也应该查看pdftotext的{​​{1}}和-raw选项。还有更多的方法可以做到这一点......