将pdf转换为小块数据（每页多块）？

Question

我有一个pdf文件，我需要从中获取小块数据。 它的结构如下：

  

Page1：

     

问题1

     

......................................

     

......................................

     

问题2

     

......................................

     

......................................

     

Page End

我想将问题1和问题2作为单独的html文件，其中包含文本和图像。

我已经尝试了

pdftohtml -c pdffile.pdf output.html

我得到了带有png图像的文件，但如何将图像切割成较小的块以适合每个问题的大小（我想将每个问题分成单个文件）？

P.S。我有很多pdf文件，所以命令行工具会很好。

Answer 1

我会试着告诉你如何解决这个问题。您提到，PDF文档中的每个页面可能都有多个问题，您基本上希望每个问题都有一个HTML文件。

如果pdftohtml适合您，那就太棒了，但我也找到了另一个你想command line utility try out的好relevant SO Post。

好的，假设您从最初的PDF转换了HTML文件，您可能希望使用csplit或awk根据分隔符将文件拆分为多个文件＆＃39 ;问题＆＃39;在你的情况下。 （旁注 - csplit和awk是特定于Linux的实用程序，但如果您使用的是Windows或MAC，我确定有其他选择。我还没有特别尝试以下代码）

来自{{3}}：

 csplit input.txt'/^Question$/' '{*}'

 awk '/Question/{filename=NR".txt"}; {print >filename}' input.txt

因此，假设这有效，您将拥有几个已损坏的 html文件。 已损坏，因为在拆分后由于悬挂<或>或其他一些流浪HTML元素而导致其未获取消息。

因此，您可以将初始.html保存为.txt，具体删除html，head和body元素，然后浏览常规结构程序如何将pdf转换为html。我确定你会看到一个关于字符串＆＃39; Quetion＆＃39;包裹在一个元素中，是你可以照顾的东西。这就是我在代码片段中提到.txt个文件的原因。

你基本上会有一堆只有内容html的文本文件，而不是html文件的常用起始标记，因为我们最初删除了它。然后，只需要阅读每个文件，只需要处理字符串周围的元素＆＃39;问题＆＃39;并在内容周围添加html，head和body元素，并将其另存为.html个文件。您可以使用您选择的任何支持文件读写的编程语言（这将是一个有趣的练习）

我希望这能让你开始朝着正确的方向前进。