从PDF文件中删除页码、页眉和页脚

Question

我想解析一个pdf文件，为此我正在使用pdftotext实用程序将pdf文件转换为文本文件，现在我想从文本文件中删除页码、页眉和页脚。

我正在使用以下语法转换pdf文件：

pdftotext -layout input.pdf output.txt

有人能帮我解决这个问题吗？

- Deepti Kakade

Answer 1

你需要使用参数-H -W -y -x 进行裁剪，至少需要使用 -H -W -y 参数。

例如：

pdftotext -y 80 -H 650 -W 1000 -nopgbrk -eol unix example.pdf


-y 80   -> crop 80 pixels after the top of file (remove header);
-H 650  -> crop 650 pixels after the -y has cropped (remove footer);
-W 1000 -> hight value to crop nothing (need especify something);

您需要调整每个PDF的-y和-H，有时需要减小-y并增加-H以适应页眉和页脚；

- Reinaldo Gil

---

如何计算像素数量？ - TatianaP

@TatianaP 默认设置为72 DPI（每英寸点数），因此您可以以英寸为单位测量，然后乘以72。 - Andrew

你有什么想法如何在Windows 10上使用它？ - Raghav Gupta

@RaghavGupta https://dev59.com/WWMl5IYBdhLWcg3wc21p - Reinaldo Gil

@ReinaldoGil 我已经检查了所有相关链接。不幸的是，问题更加关注下载我已经拥有的pdftotext，而且他们提到的一些解决方案现在已经不起作用了。我已经找到了使用pdfplumber的解决方案，这是一个更好的实用工具，并允许对页面进行完全控制。 - Raghav Gupta

Answer 2

搜索显示页面编号或页眉、页脚的模式！例如，当我使用pdftotext将pdf文件转换为文本时，我意识到数字页面在文本中是独立存在的，因此我使用正则表达式进行替换，如下所示：

for root, dirs, files in os.walk(src, topdown=False):
    for name in files:
        if name.endswith('.txt'):
            with open(os.path.join(root, name), "r") as fin:
                 data = fin.read()    
                 new_text = re.sub(r'\n\d+\n\s','',data,re.DOTALL)

因为每个页码都在一行中（没有其他文本），并且在该数字之后我有一个新行。对于pdf文件的页眉和页脚，我也是这样做的。

- bettas