从 PDF 文件中提取文本（打印）答案

【问题标题】：Extract text from PDF files(Printed)从 PDF 文件中提取文本（打印）
【发布时间】：2018-06-13 18:32:25
【问题描述】：

我正在使用 RedMon（重定向端口监视器）、HP Universal Driver PS 和 GhostScript 来拦截文档打印。

但是，对于以下场景：

文件 PDF -> HP Universal Driver PS -> RedMon -> PostScript File** -> GhostScript 创建文件printed.pdf*。

* 无法从 PDF 文件中提取文本： gs -dSAFER -dBATCH -dNOPAUSE -sDEVICE=txtwrite -sOutputFile=output.txt print.pdf

** PostScript 文件被创建为压缩文件，无法提取文本。

问题是？

当 PDF 发送到打印机时，我可以创建 PostScript 文件而不进行压缩吗？

观察：Printed.pdf -> 图像(TIFF) -> Tesseract(OCR) -> 文本文件...有效！但是速度很慢。

【问题讨论】：

如果我理解正确，您有一个 pdf 文件，并且希望将其转换为文本。你可以看看这个stackoverflow.com/questions/6187250/pdf-text-extraction
我已经尝试了您提交的每种形式的链接。但是 PDF-> PS-> PDF-> 文本方案不起作用

【解决方案1】：

正如 Dweeberly 在 cmets 中所说，如果您想从 PDF 文件中提取文本，请不要从打印开始。尤其不要把它变成 PostScript。

PDF 文件中可以包含 ToUnicode CMap（其可选），这些允许可靠的文本提取。 PostScript 不支持这些，因此如果您从 PDF 创建 PostScript 文件（无论您使用什么方式创建 PostScript），信息都会丢失。

此外，PostScript 程序通常会使用子集字体、非标准编码和对文本的其他修改来创建，这将使得难以或不可能从中提取文本。

由于 Ghostscript 可以接受 PostScript 和 PDF 作为输入，因此在将 PDF 输入到 txtwrite 设备之前将其转换为 PostScript 没有任何价值。您所做的只是让设备的使用变得更加困难并丢弃有用的信息。

只需使用 Ghostscript 和 txtwrite 设备，并将 PDF 文件作为输入。

OCR 自然会起作用，因为它会扫描文本的形状以确定字符，但它的速度很慢。另一方面，它适用于仅包含文本图像而非实际文本的 PDF 文件，而 txtwrite 设备不会。

【讨论】：

不幸的是我需要拦截旧软件的打印（无源代码）。它发送打印文本或 PDF
所以您是说软件打印到打印机，而您正在拦截它？如果是这样，PDF 来自哪里？查看您向 Ghostscript 提供的内容的示例可能会有所帮助。
我正在使用 RedMon（重定向端口监视器）、HP Universal Driver PS 和 GhostScript 来拦截文档打印。
尝试使用通用 PostScript 打印机（如果它仍然存在于您的 Windows 版本中）而不是 HP 打印机。 Microsoft PostScript 驱动程序执行特殊的额外操作来获取可用文本，而 txtwrite 设备能够使用这些额外信息。如果做不到这一点，请尝试任何其他 PostScript 打印机，但不是 HP 打印机。我仍然不清楚 PDF 文件的来源。
同意@kenS - 使用微软驱动。我经常转到 Windows 驱动程序选择器对话框中的“通用”驱动程序部分，然后选择 MS Publisher ImageSetter 驱动程序。一旦将 PS 转换为 PDF，它就可以很好地工作并提供良好的文本提取功能（尽管我不使用 Ghostscript txwrite 的东西，而是使用一个 PDF 库来分析 PDF 中的文本块）