将 PDF 的内容打印到命令行

Question

我正在寻找一个命令行程序，它可以打印出 PDF 文件的文本，就像 cat 打印文本文件一样。

我找到了pdftotxt，这是可行的，但我更喜欢复制cat 功能的东西，因为我想通过管道连接到grep。谢谢！

Answer 1

在pdftotext 的手册页上，我发现了这个：

pdftotext [选项] [PDF 文件 [文本文件]]

说明 Pdftotext 将可移植文档格式 (PDF) 文件转换为纯文本。

Pdftotext 读取 PDF 文件 PDF-file，并写入文本文件 text-file。如果未指定 text-file，则 pdftotext 将 file.pdf 转换为 file.txt。 如果 text-file 为 '-'，则将文本发送到标准输出。

因此要输出到stdout，以便通过管道传送到grep，请使用：

pdftotext mydoc.pdf - | grep mysearchterm

Answer 2

也许你可以试试这个：https://github.com/luochen1990/nodejs-easy-pdf-parser

它是一个 npm 包，你需要安装 nodejs（和 npm）才能使用它。

可以作为命令行工具使用：

npm install -g easy-pdf-parser
pdf2text test.pdf > test.txt

而且这个工具会按它们的 y 坐标对文本行进行排序，所以它在大多数情况下都很好用。它也适用于 unicode 和跨平台（作为比较：mingw64 的 pdftotext 在 windows 上会丢失 unicode 字符）。