从 PDF 中提取文本内容答案

【问题标题】：Extract text content from PDF从 PDF 中提取文本内容
【发布时间】：2013-02-05 19:45:03
【问题描述】：

我一直在使用 pdftotext 从 PDF 中提取文本。我也用 Ghostscript 做到了这一点。最近，一家实用程序提供商更改了他们的 PDF，因此这些方法无法提取其中的一部分。具体来说，我错过了到期日和到期总额。当我在阅读器中打开 PDF 时，可以突出显示、复制“缺失”文本并将其粘贴到外部编辑器中。当我在 Acrobat Pro 中打开它并查看内容（查看 -> 显示/隐藏 -> 导航窗格 -> 内容）时，我需要的文本就在那里。如何在不手动复制和粘贴的情况下将其取出？（这不是一个选项，因为我将在数千个 PDF 上执行此操作）？

这是我正在处理的示例。我已删除所有敏感数据：

link to PDF

编辑：我在发布此内容后注意到，当您点击文件的链接（托管在 Google Drive 上）时，它将允许您选择和复制页面上的大部分文本，但不是我缺少的内容。下载文件时，您可以在 PDF 阅读器中选择缺少的文本。

【问题讨论】：

标签： pdf ghostscript pdftotext

【解决方案1】：

最近发布的 Ghostscript 有一个可能值得一试的 txtwrite 设备。

【讨论】：

我已经尝试了 txtwrite 设备，它给我的结果与 pdftotext 相同 — 仍然缺少到期日期和帐户总数。
到底缺少什么？我以为是“2012 年 11 月 12 日 - 2012 年 12 月 12 日”，但我在 txtwrite 的输出中看到了这一点。
我缺少右上角：“请在 2012 年 12 月 28 日之前付款”和“应付总额 $1,839.42”
该文本是 Type 3 字体，evince/poppler 不会渲染（Ghostscript 会渲染它，但 txtwrite 似乎看不到它，这很奇怪）。没时间详细看，看txtwrite的工程师放假了，不过如果你提bug，附上文件（bugs.ghostscript.com），起码应该能解释一下原因它不起作用 - 在某些时候。
文本输出缺失是由于txtwrite设备中的一些严重的逻辑错误导致无法从PDF文件中提取Unicode信息，并一直回退到原始字符代码。现在已解决此问题。如果您在 Ghostscript 中发现错误，请请向我们报告，以便我们修复它.....txtwrite 设备现在可以正确提取此文档中的所有文本。

【解决方案2】：

有一种非常 HACKY 的方法来提取数据，但它只适用于旧版本的 ghostscript，如 8.51 或 8.62。在旧版本的 ghostscript 中，PDF 命令定义在 /lib/pdf_ops.ps 中，新版本做了一些别的事情。

此处提供了 8.62 版的测试版本。

http://sourceforge.net/projects/ghostscript/files/GPL%20Ghostscript/8.62/gs862w32.exe/download

使用/Tj {} def 和/TJ {} def 通过在每个定义的开头添加dup == 来打印您要查找的文本。（这可以变得更复杂）我也不必担心字体警告消息，但如果将数据写入文件，这些将被过滤掉。

因为字距调整，一些单词被分割成小块和单独的字母。给定时间，这也可以被过滤。

从 pdf_ops.ps 修改 /Tj /Tj { 重复 == 0 0 moveto 显示 settextposition } bdef

从 pdf_ops.ps 修改 /TJ

/TJ { dup == 
  0 0 moveto {
    dup type /stringtype eq {
      Show
    } { -1000 div
      currentfont /ScaleMatrix .knownget { 0 get mul } if
      0 Vexch rmoveto
    } ifelse
  } forall settextposition
} bdef

输出

(Help a neighbor within your county each month by contributing to The Salvation )
(Army's Project SHARE and Georgia Power will match your gift. To help, simply check )
($1, $2, $5, or $10 on the return portion of this bill. Starting next month, your pledge )
(amount will be included on your monthly bill.)
(Our business offices will be closed on December 24 and 25 for Christmas and January )
(1 for New Year's Day. In case of an emergency, please call us at the number on your )
(bill 24 hours a day, 7 days a week.)
(PLEASE KEEP THIS PORTION FOR YOUR RECORDS.)
(PLEASE RETURN THIS PORTION WITH YOUR PAYMENT, MAKING SURE THE RETURN ADDRESS SHOWS IN THE ENVELOPE WINDOW.)
(Account Number)
(Mail To:)

后记是不是很有趣？

【讨论】：

尝试此操作后，尝试运行 ghostscript 时出现“找不到初始化文件 gs_init.ps”。使用 8.62。此外，我的 pdf_ops.ps 位于 lib\，而不是 bin\。我认为它应该只留在 lib\.
并且 gs_init.ps 存在于 lib\ 中。
很奇怪，gs_init.ps 是在访问 pdf_ops.ps 之前被读取的，所以我怀疑这可能是一个不相关的问题。尝试在不修改的情况下运行 GS，看看该错误是否消失。 gs_init.ps 在GPL Ghostscript 8.62 (2008-02-29) 之前被读取，您看到该消息了吗？ pdf_ops.ps 在This software comes with NO WARRANTY: see the file PUBLIC for details. 之后被读取，如果错误发生在此消息之前，那么肯定会发生其他事情。是的，director 应该是 \lib 而不是 \bin，并且文件应该保留在 \lib 中。

【解决方案3】：

我通过从 git 获取最新的未发布版本的 Ghostscript 并构建它来解决这个问题。现在 txtwrite 设备正好给了我我需要的东西。感谢 chrisl 的回答和 cmets 将我引向正确的方向。

【讨论】：

您好，您是否曾尝试从 pdf 中删除图像，以便 pdf 仅包含文本？我正在寻找一种方法来做到这一点。您有任何使用 ghostScript 或任何其他 cli 工具的解决方案吗？请帮忙。