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!
{{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
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”:
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。