【发布时间】：2011-05-01 16:40:51
【问题描述】：
我正在使用 pdftotext 开源工具将 PDF 转换为文本文件。如何以 UTF-8 格式保存文本文件，以便保留文本文件中的所有重音字符。我正在使用以下命令将其提取内容转换为文本文件，但看不到任何重音字符。
pdftotext -enc UTF-8 book1.pdf book1.txt
请帮我解决这个问题。
提前致谢，
【问题讨论】：
【发布时间】：2011-05-01 16:40:51
【问题描述】：
您可以使用以下命令获取可用编码的列表：
pdftotext -listenc
并使用 -enc 参数选择正确的。我的这里似乎默认使用 UTF-8。即你的“UTF-8”是多余的
pdftotext -enc UTF-8 your.pdf
您可能需要检查您的语言环境（LC_ALL、LANG、...）。
编辑： 我下载了以下 PDF： http://www.i18nguy.com/unicode/unicodeexample.pdf
并在 Windows 7 PC（德语）和 XPDF 3.02PL5 上使用以下命令对其进行转换：
pdftotext.exe -enc UTF-8 unicodeexample.pdf
文本文件绝对是 UTF-8 编码的，因为所有字符都正确显示。你用文本文件做什么？如果您通过 Web 应用程序显示它，您的内容编码可能只是错误的，而文本文件已按照您的意愿进行转换。
使用浏览器（将 Firefox 中的编码强制为 ISO-8859-1 和 UTF-8）或使用十六进制编辑器进行双重检查。
【讨论】：
-
感谢您的回复。我无法使用 pdftotext -listenc 获取编码列表。我也在使用您指定的相同命令，但对我来说仍然没有用。能否请您将您的邮件地址发给我，以便我将 PDF 转发给您进行测试？再次感谢。
-
我使用的是3.02版的pdftotext
-
你在什么平台上运行这个？某种 Unix/Linux 或 Windows？从版本号来看，您使用的是有点过时的（原始）XPDF 版本。与此同时，大多数 Linux 发行版都切换到了 Poppler。我的说：“pdftotext 版本 0.14.4”，来自 Poppler（2010 年发布的版本）。
-
我使用的是 Windows 7，并且我已经下载了适用于 windows 的最新版本“Xpdf 3.02pl5 于 2010 年 10 月 21 日发布”。
-
见我上面的编辑。使用您提到的版本转换为 UTF-8 没有问题。
事情变得有点混乱，所以我要添加另一个答案。
我把 PDF 拆开，我最好的猜测是使用的字体存在“问题”：
- 在 Acrobar Reader 中打开 PDF 文件
- 选择页面上的所有文本
- 将其复制并粘贴到支持 Unicode 的文本编辑器中（没有“隐藏”OCR，因此您复制的是实际数据）
您会发现最终得到的代码点不是您在 PDF 阅读器中看到的代码点。无论字体是什么，它的映射可能与 Unicode 标准中定义的映射不同。因此，您的内容是“错误的”，您对此无能为力。
【讨论】：