Question

您好我正在尝试在Ruby中阅读pdf，首先我要将其转换为txt。 path是PDF的路径，重点是我得到一个.txt文件为空，有人告诉我这是一个pdftotext问题，但我不知道如何解决它。

  spec = path.sub(/\.pdf$/, '')
  `pdftotext #{spec}.pdf`
  file = File.new("#{spec}.txt", "w+")
  text = []
  file.readlines.each do |l|
  if l.length > 0
    text << l
    Rails.logger.info l
  end
 end
 file.close

我的代码出了什么问题？谢谢！

Answer 1

无法从每个 PDF中提取文字。某些PDF文件使用字体编码，因此无法使用pdftotext等简单工具提取文本（某些PDF文件甚至完全不受 我知道的任何 工具 - 在这些情况下，您必须首先应用OCR才有机会提取文本......）。

因此，如果您一直使用相同的“奇怪”PDF文件测试代码，很可能会因为您对代码感到沮丧，而实际上错误在于PDF。

首先确保pdftotxt的命令行用法与给定的PDF一致，然后使用该PDF测试（并进一步发展）您的代码。

Answer 2

问题是你是在写（“w”）模式下打开文件，这会截断文件。您可以在http://ruby-doc.org/core-1.9.3/IO.html看到一个文件模式表及其含义。

尝试这样的事情，它使用pdftotext选项将文本发送到stdout以避免创建临时文件并使用块来获得更多惯用的ruby。

text = `pdftotext #{path} -`
text.split.select { |line|
  line.length > 0
}.each { |line|
  Rails.logger.info(line)
}

Answer 3

您需要使用写入权限打开txt文件。

file = File.new("#{spec}.txt", "w")

您可以咨询How to create a file in Ruby

更新：您的代码不完整且看起来有问题。

不能说什么是path
您似乎正在尝试阅读要编写的文本文件file.readlines.each
拼写检查length您拥有l.lenght

您可能想要粘贴实际代码。

检查这个要点https://gist.github.com/4160587

如上所述，您的代码无法正常工作，因为您正在阅读和写入同一文件。

示例

Ruby代码file_write.rb来执行文件写操作

pdf_file = File.open("in.txt") output_file = File.open("out.txt", "w") # file to which you want to write #iterate over input file and write the content to output file pdf_file.readlines.each do |l| output_file.puts(l) end output_file.close pdf_file.close

示例txt文件in.txt

Some text in file Another line of text 1. Line 1 2. Not really line 2

运行file_write.rb后，您应该会看到名为out.txt的新文件，其内容与in.txt相同。如果需要，您可以更改输入文件的内容。在您的情况下，您将使用pdf reader获取内容并将其写入文本文件。基本上代码的第一行会改变。

将PDF转换为.txt会给我一个空的.txt文件

3 个答案: