如何从PDF中提取格式化的文本内容

Question

如何（大致）保留Google文档的样式和布局，从PDF中提取文本内容（而不是图像）？

Answer 1

要从PDF中提取文本并获取它的位置，您可以使用PDFMiner。 PDFMiner还可以直接以HTML格式导出PDF，使文本保持在良好的位置。

我不知道你的用例，但是在执行此操作时会遇到很多问题，因为PDF实际上是面向表示的而不是面向内容的，文本流不是连续的。因此，如果您希望文本可编辑，那么这将不是一件容易的事。

Answer 2

您是否尝试过pyPDF或ReportLab PDF库？我个人没有使用它们，但你可以去看看它们。 here也很有用

Answer 3

如果您想像Google一样：

Google将PDF转换为图片，然后使用JavaScript可突出显示的区域覆盖图像（以前是文本）（这与Voodoo魔法类似）。当您使用光标向上滚动区域时，这些区域似乎是文本，但它们不是。这可能无法帮助您了解，但这就是他们如何做到的。如果要对其进行反向工程，可以从https://www.mercurial-scm.org/开始。在主页上，它们使用JavaScript执行相同的操作，以使文本可突出显示并可复制。您可以从PDF中提取文本，并在页面中找到它在其他答案中提到的库的位置。然后，您可以使用相同样式的JavaScript区域覆盖文件的提取图像。

Answer 4

Xpdf有一个实用程序调用PDFtoText，它做得很好。 http://foolabs.com/xpdf/download.html

Answer 5

如果您没有通过python进行此操作，Ghostscript可以为您执行此操作。查看pdf2ascii（GS附带的脚本）以获取纯文本。样式更复杂，因为它们可以通过几种不同的方式指定。

Answer 6

Acrobat Professional可以完成这项工作。在“文件”菜单中，选择导出。然后，选择文本。