Linux'ta - .pdfTaranan bir görüntü değil, metnin gerçekte metinden oluştuğu bir metinden nasıl ayıklanır? Etkileşimli değil, komut satırında / bir komut dosyasında kullanabileceğim bir şey istiyorum. ( .tifOCR'ye dönüştürmek ve kullanmak istemiyorum - metin zaten .pdfdosyada mevcut , bu yüzden neden kusurlu OCR'deki yanlışlıkları tanıtmak?)
Yanıtlar:
pdftotext poppler ile birlikte gelen PDF'de bulunan herhangi bir metni çıkarmaya çalışacaktır.
Ignacio'nun cevabı gayet iyi. Aslında, listemdeki ilk şey olurdu. Peki, bu ve belki pdftohtmlde poppler ile birlikte gelen aracı önermek için , metni paragraflara yeniden birleştirmeye çalışmak istiyorsanız pdfreflow ile birleştirin. (Tabii ki, bu size HTML çıktısı verecektir, ancak HTML'yi düz metne dönüştürmek birçok şekilde yapılabilir.)
İşte başka seçenekler de.
ebook-convertDan komut satırı aracı Caliber düz metne .pdfs dönüştürebilir, (veya RTF veya e-kitap formatları bir dizi vb ePub'a gibi)
pdftxtextractdan Podofo
Abiword , girebileceği / dışa aktarabileceği herhangi bir format arasında dönüştürme yapmak için komut satırından çağrılabilir ve uygun içe aktarma eklentisi ile PDF'ler şunları içerir:
abiword --to=txt file.pdf
(Adil olmak gerekirse, AbiWord ve calibre'nin her ikisi de poppler kütüphanelerini kullanıyor, ancak olumlu değilim.)