如何将LaTeX转换为纯文本（ASCII）？

Question

场景：
我有一个使用LaTeX创建的文档（我的简历），它在pdflatex中正确编译并输出我想要的结果。现在我需要将同一文档转换为普通的ASCII。

示例：
我已经看到过这种情况（至少一次）这里, 作者有一个PDF版本和一个ASCII版本，几乎以每种方式匹配PDF版本，包括边距、间距和项目符号。

我意识到由于ASCII格式的限制，这种转换无法完全精确，但根据我迄今发现的情况，似乎可以得到非常接近的近似值。这个过程是什么？

- chuckg

---

从您提供的 Todd C. Miller 页面中倒数第二段（重点在我）可以看出：“请注意，ASCII 版本是手动格式化的。我不知道有没有保留格式的 LaTeX 到 ASCII 转换器，但 detex 可以用于提取实际文本。” - Kevin J. Chase

Answer 1

Opendetex 适用于 Windows 和 Linux（在 Mac 上也可以编译）。它可以从 https://github.com/pkubowicz/opendetex 下载。

用法：

detex project

打开 project.tex 文件，读取使用 \include 或 \includeonly 命令包含的所有文件，将其输出到标准输出。

detex -n project > out.txt

打开 project.tex 文件，不跟随 \include 或 \includeonly 命令，将结果输出到 out.txt 文件中。

detex --help

显示完整帮助信息

将其解压缩到您选择的任何目录。假设您将其解压缩到 Downloads 目录下。

在该目录中创建另一个任意名称的目录（这是可选但建议的）。假设该目录名为“my_paper”。将您的论文放入“my_paper”目录中。假设您的论文名称为 project.tex。

导航到该路径。

    cd ~/Downloads/opendetex

运行该命令

    detex my_paper/project.tex  > out.txt

通用表格

    detex -n full_path_to_tex_file.tex > output_text_file.txt

- Mayank Agarwal

---

这是最好的答案，除非你默认情况下不应该使用“-n”标志。 - naught101

你好，有没有办法修复这个错误？detex: warning: can't open file - Wet Feet

这会给我一个空的文本文件作为输出。（Mac OSX，通过Homebrew安装了opendetex； .tex文件被Pandoc很好地消化了）。 - eric_kernfeld

刚试了一下 opendetex，在 OSX 10.11 上也不行，但 pandoc 运行良好。 - Josep Valls

它是否也可以忽略空格和换行符？ - alper

Answer 2

CatDVI 可以将 DVI 转换为文本，并尝试保留格式。

- Beardo

---

你知道如何关闭“两端对齐”的对齐方式吗？ - chuckg

尝试使用 -u 选项将其通过 fmt(1) 进行管道传输。 - Nietzche-jou

只需移除多余的空格，例如像这样 catdvi foo.dvi | perl -pe 's/[ ]+/ /g' 给我比 fmt 更合理的输出。 - Frank

源代码编译：找不到-lkpathsea - ar2015

Answer 3

您可以尝试这里提供的一些程序：

TeX转ASCII

- Diego Sevilla

Answer 4

pdftotext 可以保留布局

如果您正在使用 pdflatex，您可能不想在包选项上搞来搞去地切换到 latex 以生成 DVI 文件。

相反，您可以将pdf文件转换为文本。这适用于使用 Curve 包制作的简历/履历表：

pdftotext  -layout MyResume.pdf

请注意 -layout, 它会生成一个人眼可读的结果，类似于原始PDF的结构，但是会在破坏行以实现这一点。去掉-layout，将生成更适合进一步处理且不会破坏行的结果。

- ahcox

---

这个解决方案对我非常有效 - 谢谢！我尝试了上面的Python脚本，但出现了错误，而pandoc.org/try没有返回任何内容，控制台则列出了一个GET请求的500错误。我没有太多时间来调试它们，但这个解决方案很好用！ - modulitos

这个解决方案的一个问题是它包含了换行符。如果不需要，应该省略-layout。 - darthn

Answer 5

您也可以尝试使用Pandoc，它可以将LaTeX转换为许多其他格式。我建议阅读其文档，因为可能存在一些棘手的情况，需要传递一些参数来处理。

- LittleSweet

---

Pandoc非常棒。针对Python的程序化转换，包括自动将许多数学结构转换为具有合理纯文本等效项的纯文本，我制作了一个有用的小技巧函数：http://pastebin.com/z7EMvfkZ - andybuckley

Answer 6

另一种选择是使用htlatex从LaTeX源文件创建网页，然后使用links转换为纯文本。我过去使用命令行 links -dump -no-numbering -no-references input.html > output.txt 这将产生相当不错的结果。这当然更符合呈现的HTML视图而不是原始PDF，因此可能不完全符合您的要求。

- bluebrother

Answer 7

我的常规策略是使用Hyperlatex将其转换为网页，然后从网页浏览器中复制和粘贴。我发现这样可以得到最佳的格式。

通常情况下，我还需要手动修复一些换行问题...

- Brian Postow

---

我尝试过这个，但不幸的是它不支持使用外部的cls文件。我正在使用类文件来处理重复格式化任务，以及enumitem类。谢谢！ - chuckg

嗯，我不认为我遇到过这样的问题......但是我已经很久没用它了......而且我在工作上也没有任何文件。 - Brian Postow

Answer 8

我觉得最好的解决方案如下。假设您已经将latex文档名称（不带扩展名）存储在${BASENAME}中，您需要执行以下3个步骤：

htlatex ${BASENAME}.tex

iconv -f iso-8859-1 -t utf-8 ${BASENAME}.html > ${BASENAME}-utf8.html

html2markdown ${BASENAME}-utf8.html > ${BASENAME}.txt

显然，您需要安装tex4ht和python-html2text。

- Jannis Weide

Answer 9

当我需要从我的TEX文件中获取纯文本以进行索引和搜索时，我发现LaTeX2RTF是一个不错的解决方案——它有一个适用于Windows的安装程序和GUI，并且它生成了一个RTF文件，我可以在Word中打开我的50页论文。

- tsvikas

---

RTF文档虽然不算是真正的“纯文本”。 - Paŭlo Ebermann

我同意。我发布它是因为它可能仍然对其他人有用，就像我一样想以这种方式提取文本。 - tsvikas

Answer 10

尝试以下步骤：http://zanedp.livejournal.com/201222.html 以下是将我的LaTeX文件转换为纯文本的步骤序列：

$ latex file.tex
$ catdvi -e 1 -U file.dvi | sed -re "s/\[U\+2022\]/*/g" | sed -re "s/([^^[:space:]])\s+/\1 /g" > file.txt

使用 -e 1 选项运行 catdvi 命令，可以输出 ASCII。如果使用 0 而非 1，则会输出 Unicode。Unicode 包括所有特殊字符，如子弹、短划线和希腊字母。它还包括一些字母组合的连字，如“fi”和“fl”。你可能不喜欢这些连字，因此请改用 -e 1。使用 -U 选项告诉它打印出未知字符的 Unicode 值，以便您可以轻松查找并替换它们。

命令的第二部分查找字符串 [U+2022]，该字符串用于指定子弹字符（•），并将其替换为星号（*）。

第三部分删除 catdvi 添加的额外空格，同时保留行首空格（缩进）。

运行这些命令后，最好搜索 .txt 文件，查找字符串 [U+，以确保没有无法映射到 ASCII 的 Unicode 字符留下，并加以修复。

- user255191

---

这个答案可能仍然有用吗？但对我来说，这会破坏许多字母组合，包括所有的双“f”。我应该先指定一些非比例字体或其他东西来避免这些问题吗？ - CPBL