将 PDF 转换为 .txt 给了我一个空的 .txt 文件

Question

您好，我正在尝试用 Ruby 阅读 pdf，首先我想将其转换为 txt。 path 是 PDF 的路径，关键是我得到了一个空的 .txt 文件，正如有人告诉我的那样，这是一个 pdftotext 问题，但我不知道如何解决。

  spec = path.sub(/\.pdf$/, '')
  `pdftotext #{spec}.pdf`
  file = File.new("#{spec}.txt", "w+")
  text = []
  file.readlines.each do |l|
  if l.length > 0
    text << l
    Rails.logger.info l
  end
 end
 file.close

我的代码有什么问题？谢谢！

Answer 1

无法从每个 PDF 中提取文本。一些 PDF 文件使用 字体编码，这使得使用简单的工具（例如 pdftotext）无法提取文本（一些 PDF 文件甚至完全不受使用 any 的直接文本提取的影响 我知道的工具——在这些情况下，您必须先应用 OCR 才能有机会提取文本...）。

因此，如果您一直使用同一个“奇怪”的 PDF 文件测试您的代码，您很可能会对您的代码感到沮丧，而实际上问题出在 PDF 上。

首先确保pdftotxt 的命令行用法适用于给定的 PDF，然后使用该 PDF 测试（并进一步开发）您的代码。

Answer 2

问题是您正在以写入（“w”）模式打开文件，这会截断文件。您可以在http://ruby-doc.org/core-1.9.3/IO.html 上查看文件模式表及其含义。

尝试这样的事情，它使用 pdftotext 选项将文本发送到标准输出以避免创建临时文件并使用块来获得更惯用的 ruby​​。

text = `pdftotext #{path} -`
text.split.select { |line|
  line.length > 0
}.each { |line|
  Rails.logger.info(line)
}

Answer 3

您需要以写入权限打开 txt 文件。

file = File.new("#{spec}.txt", "w")

您可以咨询How to create a file in Ruby

---

更新：您的代码不完整，看起来有问题。

1. 不能说path是什么
2. 看起来您正在尝试读取您打算写入的文本文件file.readlines.each
3. 拼写检查length你有它l.lenght

您可能需要粘贴实际代码。

---

检查这个要点https://gist.github.com/4160587

如前所述，您的代码无法正常工作，因为您正在读取和写入同一个文件。

示例

Ruby代码file_write.rb做文件写操作

pdf_file = File.open("in.txt") 
output_file = File.open("out.txt", "w") # file to which you want to write
#iterate over input file and write the content to output file
pdf_file.readlines.each do |l|
    output_file.puts(l)
end
output_file.close
pdf_file.close

示例txt文件in.txt

Some text in file
Another line of text

1. Line 1
2. Not really line 2

运行file_write.rb 后，您应该会看到名为out.txt 的新文件，其内容与in.txt 相同。您可以根据需要更改输入文件的内容。在您的情况下，您将使用 pdf 阅读器来获取内容并将其写入文本文件。基本上第一行代码都会改变。