从PDF文件中提取文本（已打印）

Question

我使用RedMon（重定向端口监视器），HP Universal Driver PS和GhostScript拦截文档打印。

但是，对于以下情况：

档案PDF - ＆gt; HP Universal Driver PS - ＆gt; RedMon - ＆gt; PostScript文件** - ＆gt; GhostScript创建文件printed.pdf *。

*无法从PDF文件中提取文字： gs -dSAFER -dBATCH -dNOPAUSE -sDEVICE = txtwrite -sOutputFile = output.txt printed.pdf

** PostScript文件创建为压缩文件，无法提取文本。

问题是？

将PDF发送到打印机时，是否可以在不压缩的情况下创建PostScript文件？

观察：Printed.pdf - ＆gt;图像（TIFF） - ＆gt; Tesseract（OCR） - ＆gt;文本文件......工作！但它很慢。

Answer 1

正如Dweeberly在评论中所说，如果你想从PDF文件中提取文字，请先打印不。特别是不要把它变成PostScript。

PDF文件可以在（可选）中包含ToUnicode CMaps，这些文件可以提供可靠的文本。 PostScript不支持这些，因此如果您从PDF创建PostScript文件（无论您使用什么方式创建hte PostScript），信息都会丢失。

此外，PostScript程序通常会使用子集字体，非标准编码和对文本的其他修改来创建，这些修改将难以或不可能从中提取文本。

由于Ghostscript可以接受PostScript 和 PDF作为输入，因此在将PDF转换为txtwrite设备之前将P​​DF转换为PostScript没有任何价值。您所做的只是让设备的生活更加艰难，并丢弃有用的信息。

只需使用Ghostscript和txtwrite设备，并将PDF文件作为输入。

当然OCR可以工作，因为它扫描文本的形状以确定角色，但是它很慢。另一方面，它将使用PDF文件，其中只包含文本图像，而不是txtwrite设备赢得的实际文本。