我正在使用开源工具pdftotext将PDF格式文件转换为文本文件。请问如何将文本文件以UTF-8编码格式保存，以便保留所有重音字符在文本文件中。我使用以下命令进行转换，它会将内容提取到文本文件，但无法看到任何重音字符。
pdftotext -enc UTF-8 book1.pdf book1.txt
请帮助我解决这个问题。
谢谢！
2个回答
28
你可以使用以下命令获取可用编码列表：
这个文本文件肯定是UTF-8编码的，因为所有字符都能正确显示。你是用这个文本文件做什么？如果你通过Web应用程序来显示它，那么你的内容编码可能只是错误的，而文本文件已经按照你想要的进行了转换。
请使用浏览器（在Firefox中强制编码为ISO-8859-1和UTF-8）或使用十六进制编辑器进行双重检查。
{{使用以下命令获取可用编码列表：}}
pdftotext -listenc
使用"-enc"参数选择正确的编码方式。我的默认情况下似乎使用UTF-8。也就是说，你的"UTF-8"是多余的。
pdftotext -enc UTF-8 your.pdf
您可能需要检查您的语言环境（LC_ALL，LANG等）。
编辑： 我下载了以下PDF： http://www.i18nguy.com/unicode/unicodeexample.pdf
并在Windows 7 PC（德语）和XPDF 3.02PL5上使用以下命令进行转换：
pdftotext.exe -enc UTF-8 unicodeexample.pdf
这个文本文件肯定是UTF-8编码的，因为所有字符都能正确显示。你是用这个文本文件做什么？如果你通过Web应用程序来显示它，那么你的内容编码可能只是错误的，而文本文件已经按照你想要的进行了转换。
请使用浏览器（在Firefox中强制编码为ISO-8859-1和UTF-8）或使用十六进制编辑器进行双重检查。
- icanhasserver
8
我正在使用版本为3.02的pdftotext。 - Amar
1你在哪个平台上运行这个程序？是Unix/Linux还是Windows？从版本号来看，看起来你正在使用有些过时的（原始的）XPDF版本。大多数Linux发行版已经转向了Poppler。我的版本是“pdftotext version 0.14.4”，来自于Poppler（2010年发布的版本）。 - icanhasserver
我正在使用Windows 7，并已下载了最新版本的“Xpdf 3.02pl5于2010年10月21日发布”的Windows版本。 - Amar
请看我上面的编辑。使用您提到的版本，我转换为UTF-8没有问题。 - icanhasserver
请将其发送到以下地址：temp12474 AT icanhasserver DOT com，但您的问题并不是来自PDF文件本身。我提供的那个更好地进行诊断，因为它包含大量不同的代码点。 - icanhasserver
显示剩余3条评论
0
情况有点混乱，所以我又回答了一下。
我拆开了 PDF 文件，我的最佳猜测是使用的字体出现了“问题”：
- 在 Acrobar Reader 中打开 PDF 文件
- 选择页面上的所有文本
- 将其复制并粘贴到 Unicode 感知的文本编辑器中（没有“隐藏”的 OCR，因此您复制的是实际数据）
您会发现，你得到的代码点不是在 PDF 阅读器中看到的那些。无论该字体是什么，它可能具有与 Unicode 标准定义的映射不同的映射。因此，您的内容是“错误”的，对此您无能为力。
- icanhasserver
网页内容由stack overflow 提供, 点击上面的可以查看英文原文，
原文链接
原文链接