问如何使用pdftotext格式化纯文本标记？
EN

Stack Overflow用户

提问于 2014-07-10 01:30:05

回答 1查看 165关注 0票数 1

我正在使用pdftotext从PDF文件中提取普通内容。

但是结果没有格式(例如:段落、列表等)。如何使用pdftotext从PDF中提取纯文本，并将结果格式化为标记？

实际上我正在尝试这样做：

pdftotext -layout -enc UTF-8

有没有其他方法可以做到这一点？

发布于 2015-01-14 04:17:11

您想要做的事情在pdftotext中是不可能的。

返回的pdftotext -layout的结果是你能得到的最好的结果。

文本的 (或其他格式)输出目前是不可能的。

然而，在其他领域(如pdf.js)可能会有一些发展，在未来可能会实现类似的事情……

然而，这种“格式化”只会以某种方式反映PDF页面的视觉外观，而不会匹配任何结构化文档信息(告诉什么是“标题”，什么是“列表”，什么是“段落”)。

@jongware在他的评论中写的是完全正确的：

文件不包含“段落、列表等”。除非它已经特别地用适当的标记进行了标记。如果PDF没有标记，每个实用程序(包括Adobe自己的Acrobat Reader，PDF处理软件的试金石)都只能猜测“段落”或“列表”是什么。

票数 1

页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持

原文链接：

https://stackoverflow.com/questions/24660201

复制

相似问题

问如何使用pdftotext格式化纯文本标记？EN