将PDF转换为文本

Question

我有多个PDF文档，其中包含了很多文本。我想在我正在开发的搜索引擎中使用这些文本。该搜索引擎使用的软件不能处理PDF文件，但可以处理JSON、XML和文本文档等格式。

我想要做的是将PDF的文本内容转换为文本文档(例如JSON、XML、TXT)。如果能够将文本内容从单个PDF转换为多个文本文档，我的工作也会更容易。例如，每篇文章有一个文档。

它还必须与Windows 10一起工作。

Answer 1

根据维基百科的说法，pdftotext (https://en.wikipedia.org/wiki/Pdftotext)是一种开源命令行实用程序，它完成从PDF到纯文本的转换。在官方页面(http://www.xpdfreader.com/download.html)上有供下载的Windows二进制文件，包括32位和64位。

遗憾的是，我不需要像你这样做，所以这是纯粹的研究信息。我使用它的全部经验是，我下载了工具包(15分钟前)，并使用pdftotext从我非常熟悉的PDF生成一个TXT文件，而且我没有看到任何问题。

它允许为转换选择起始页和最后一页，因此它可能适用于您的“多文档”要求，但按内容而不是按页划分文档。我认为您不会幸运地找到这样的东西；对TXT文件执行操作的自定义脚本可能会更好。

Answer 2

LEADTOOLS ePrint可用于不同文档和文件类型之间的转换，包括PDF到text。(免责声明:我是本软件供应商的雇员)。

您将需要一个PDF阅读器，例如免费的和LEADTOOLS ePrint打印机驱动程序，它们都安装在同一个Windows上(工作在Windows 10和其他桌面版本上)。

如果原始PDF包含实际文本(可搜索)，则可以通过从PDF阅读器程序打印到虚拟打印机驱动程序直接完成转换。

如果源文件包含文本图像，也可以进行转换，但必须使用ePrint中的OCR功能。

您可以在以下网站上找到该项目的免费评估：https://www.eprintdriver.com/Download

甚至在评估期间也可以获得免费的电子邮件支持。