Question

我一直在使用pdftotext从PDF中提取文本。我也用Ghostscript完成了这个。最近，公用事业提供商更改了他们的PDF，因此这些方法没有提取其中的一部分。具体来说，我错过了截止日期和到期日。当我在阅读器中打开PDF时，可以突出显示，复制并粘贴“缺失”文本到外部编辑器中。当我在Acrobat Pro中打开它并查看内容（查看 - ＆gt;显示/隐藏 - ＆gt;导航窗格 - ＆gt;内容）时，我需要的文本就在那里。如何在不手动复制和粘贴的情况下将其删除？（这不是一个选项，因为我会在成千上万的PDF上做这个）？

这是我正在处理的一个例子。我删除了所有敏感数据：

link to PDF

编辑：发布此消息后，我注意到当您按照文件链接（托管在Google云端硬盘上）时，它会允许您选择并复制页面上的大多数文字，但不会删除我遗漏的内容。下载文件时，您可以在PDF阅读器中选择缺少的文本。

Answer 1

最近发布的Ghostscript有一个txtwrite设备，值得一试。

Answer 2

我已经通过从git获取最新未发布的Ghostscript版本并构建它来解决这个问题。现在txtwrite设备正好给了我所需要的东西。感谢chrisl的回答和评论，引导我朝着正确的方向前进。

Answer 3

有一种非常HACKY方法来提取数据，但它只适用于较旧版本的ghostscript，如8.51或8.62。在较旧版本的ghostscript中，PDF命令在/lib/pdf_ops.ps中定义。新版本执行其他操作。

此处提供经过测试的版本8.62。

http://sourceforge.net/projects/ghostscript/files/GPL%20Ghostscript/8.62/gs862w32.exe/download

通过在每个定义的开头添加/Tj {} def，使用/TJ {} def和dup ==打印您所使用的文字。（这可能会变得更复杂）我也没有担心字体警告消息，但如果数据写入文件，这些消息将被过滤掉。

由于字距调整正在进行，因此有些单词会被分成多个单词和单个字母。给定时间，也可以过滤。

从pdf_ops.ps修改/ Tj / Tj {dup == 0 0 moveto显示settextposition } bdef

pdf_ops.ps修改/ TJ

/TJ { dup == 
  0 0 moveto {
    dup type /stringtype eq {
      Show
    } { -1000 div
      currentfont /ScaleMatrix .knownget { 0 get mul } if
      0 Vexch rmoveto
    } ifelse
  } forall settextposition
} bdef

输出

(Help a neighbor within your county each month by contributing to The Salvation )
(Army's Project SHARE and Georgia Power will match your gift. To help, simply check )
($1, $2, $5, or $10 on the return portion of this bill. Starting next month, your pledge )
(amount will be included on your monthly bill.)
(Our business offices will be closed on December 24 and 25 for Christmas and January )
(1 for New Year's Day. In case of an emergency, please call us at the number on your )
(bill 24 hours a day, 7 days a week.)
(PLEASE KEEP THIS PORTION FOR YOUR RECORDS.)
(PLEASE RETURN THIS PORTION WITH YOUR PAYMENT, MAKING SURE THE RETURN ADDRESS SHOWS IN THE ENVELOPE WINDOW.)
(Account Number)
(Mail To:)

不是后记有趣吗？

从PDF中提取文本内容

3 个答案: