将大型PDF转换为文本的方法？

Question

有人建议使用方法或库以编程方式将大型（100MB - 4GB）PDF转换为文本吗？

我通常使用pdftotext（poppler-utils），但它显示大文件的“Out of memory”消息，并且输出文本文件中只有前6000页左右。

也许有办法将这些PDF分开，然后运行pdftotext，也许有方法可以成功运行更昂贵的电话，而不会占用内存，也许另一个图书馆是最好的...基本上，我很想听听你的建议。谢谢大家！

Answer 1

我们正在从PDF解析报纸和杂志并将它们转换成JPEG，不完全相同，但是在打开和解析时我们也有同样的内存问题但是使用了imagemagick / ghostscript。

我们的解决方案是将它们分成10页以下的批次，一次解析一批，然后按顺序放置结果，或者将文本附加到存储它的位置。

如果pdftotext不支持，可以使用imagemagick / ghostscript将它们拆分成较小的PDF

Answer 2

因为输入PDF文件中有数千页。每个页面可能包含解压缩的文本，图像和其他对象，并且可能占用x2或更多内存。

因此，您可以将文件拆分3000页，如下所示：

1. 使用

   拆分源PDF文件
   • 从命令行使用Ghostscript通过PDFSplit脚本：

pdfsplit input.pdf 1 3000 output1-3000.pdf

pdfsplit input.pdf 3001 6000 output3001-6000.pdf

1. 运行pdftotext将pdf转换为文本文件;

2. 然后最终合并输出文件：

cat output1-3000.txt output3001-6000.txt > output-all-pages.txt

您也可以在步骤（1）中使用PDFSam实用程序手动分割文件。