将PDF文件的内容输出到命令行

Question

我正在寻找一个命令行程序，可以像文本文件的cat命令一样打印出PDF文件的文本内容。

我已经找到了pdftotxt，它可以工作，但我更喜欢复制cat的功能，因为我想使用grep进行管道操作。谢谢！

- andronikus

---

虽然它看起来并不是解决这个问题的方案，但任何有兴趣从命令行与PDF文件交互的人都应该知道pdftk。（而且你可以查看data_dump命令，看看是否可以从中获取到有用的信息...） - dmckee --- ex-moderator kitten

相关：PDF转文本转换器 - kenorb

请注意，@dmckee---ex-moderatorkitten提到的pdftk dump_data并不会将PDF内容转换为文本，它只是将PDF的元数据转储到一个文本文件中。 - Dennis

Answer 1

在 pdftotext 的 man 页面中，我找到了以下内容：

pdftotext [选项] [PDF-文件 [文本文件]]

描述 Pdftotext 可将便携式文档格式（PDF）文件转换为纯文本。

Pdftotext 读取 PDF 文件 PDF-文件，并将文本写入文本文件 text-file。如果未指定文本文件，则 pdftotext 将 file.pdf 转换为 file.txt。如果文本文件是“-”，则文本被发送到 stdout。

因此，要输出到 stdout 并使用管道传递给 grep，请使用以下命令：

pdftotext mydoc.pdf - | grep mysearchterm

- jsvk

---

似乎带有xpdf（这一事实在尝试确定要安装哪个软件包时可能会有用...） - dmckee --- ex-moderator kitten

另见 比 pdftotext 更好的 PDF 转文本工具是什么？ - kenorb

Linux安装：sudo apt-get install poppler-utils，OSX安装：brew install poppler。 - kenorb

Answer 2

也许你可以尝试这个: https://github.com/luochen1990/nodejs-easy-pdf-parser。

这是一个npm包，需要安装nodejs(和npm)才能使用。

它可以作为命令行工具使用:

npm install -g easy-pdf-parser
pdf2text test.pdf > test.txt

这个工具将根据文本行的纵坐标进行排序，因此在大多数情况下都能很好地发挥作用。它还可以与Unicode和跨平台良好地配合使用（相比之下，mingw64的pdftotext在Windows上会丢失Unicode字符）。

- luochen1990

---

我尝试在第一个PDF上运行时出现了错误：(node:3972) UnhandledPromiseRejectionWarning: TypeError: Cannot read property 'Pages' of undefined。 - masterxilo

@masterxilo也许这取决于PDF文件的内容，请您提交一个包含问题的PDF文件的问题报告，好吗？ - luochen1990

https://github.com/luochen1990/nodejs-easy-pdf-parser/issues/1 - masterxilo