不输出希伯来字符的pdftotext

Question

我正在使用Xpdf's pdftotext从Ubuntu上的一些希伯来语pdf文件中获取文本。

在我的本地机器上工作得很好。然后，我尝试在另一台机器上这样做，而在文本文件中没有出现希伯来文字符。我验证了我有语言包(见下面为什么我这么认为)。我还能在哪里找出问题呢？

>> tail -2 /etc/xpdf/xpdfrc
include /etc/xpdf/includes

>> cat /etc/xpdf/includes
# This file was automatically generated by /usr/sbin/update-xpdfrc.
# Instead, add or remove files in /etc/xpdf/ then run
# /usr/sbin/update-xpdfrc to regenerate this file.
include /etc/xpdf/xpdfrc-latin2
include /etc/xpdf/xpdfrc-thai
include /etc/xpdf/xpdfrc-greek
include /etc/xpdf/xpdfrc-turkish
include /etc/xpdf/xpdfrc-arabic
include /etc/xpdf/xpdfrc-hebrew
include /etc/xpdf/xpdfrc-cyrillic

>> cat /etc/xpdf/xpdfrc-hebrew
#----- begin Hebrew support package (2003-feb-16)
unicodeMap  ISO-8859-8  /usr/share/xpdf/hebrew/ISO-8859-8.unicodeMap
unicodeMap  Windows-1255    /usr/share/xpdf/hebrew/Windows-1255.unicodeMap
#----- end Hebrew support package

>> ls /usr/share/xpdf/hebrew/
ISO-8859-8.unicodeMap  Windows-1255.unicodeMap

Answer 1

幸运的是，友好的Ubuntu使安装语言变得很容易。只需将此命令输入shell：

sudo apt-get install language-support-he language-pack-he

您将注意到它将希伯来文支持添加到其他许多子系统(例如HSpell、My拼写和PostgreSQL )，并安装了一些希伯来字体。

为了达到良好效果，请安装以下希伯来文字体：

sudo apt-get install culmus culmus-fancy xfonts-efont-unicode xfonts-efont-unicode-ib xfonts-intl-european msttcorefonts

最后，确保在运行pdftotext时，指定UTF-8编码格式，因为它可能不会自动检测到源：

pdftotext -enc UTF-8 input.pdf output.txt

Answer 2

您应该看看TET，文本提取工具包 by PDFlib.com (由Thomas运行，"PostScript和PDF圣经“的作者)。

TET主要是一个库，可以在其他PDF处理应用程序中使用，但它们也.

• ...built是一个强大的命令行工具，在上面被称为'TET‘(免费的啤酒)；
• ...built，Acrobat插件(免费啤酒)

这一个可以从PDF(墨水)中提取非ASCII文本。CJK，希伯来语，阿拉伯语)，恢复他们原来的字符对或三人组的连接符号，通常它围绕Adobe自己的文本提取功能运行.

它可用于Windows、Linux、Mac和各种Unix系统。