从PDF中提取文本内容

Question

我一直在使用pdftotext和Ghostscript从PDF中提取文本。最近，一个实用程序提供商更改了他们的PDF，因此这些方法没有提取其中的一部分。具体来说，我缺少到期日和总额。当我在阅读器中打开PDF时，“丢失”的文本可以突出显示，复制并粘贴到外部编辑器中。当我在Acrobat Pro中打开它并查看内容（查看->显示/隐藏->导航窗格->内容），我需要的文本就在那里。如何在不手动复制和粘贴的情况下将其取出？（这不是选项，因为我将在数千个PDF上执行此操作）？

这是我正在处理的示例。 我已删除所有敏感数据： PDF链接

编辑：我在发布后注意到，当您跟随链接到文件（托管在Google Drive上）时，它将允许您选择并复制页面上的大多数文本，但不包括我缺失的内容。当您下载文件时，可以在PDF阅读器中选择缺失的文本。

- Ben Walker

Answer 1

最近发布的Ghostscript版本中有一个名为txtwrite的设备，值得一试。

- chrisl

---

我已经尝试了txtwrite设备，但它给我的结果和pdftotext一样 - 仍然缺少到期日期和账户总额。 - Ben Walker

到底缺什么？我以为是“2012年11月12日至12月12日”，但我在txtwrite的输出中看到了它。 - chrisl

我缺少右上角的内容：“请在2012年12月28日前付款”和“应付总额1,839.42美元”。 - Ben Walker

那段文本是Type 3字体，evince/poppler无法渲染（Ghostscript可以渲染它，但txtwrite似乎看不到它，这很奇怪）。我没有时间详细查看，负责txtwrite的工程师正在度假，但如果您提出一个错误，并附上文件（http://bugs.ghostscript.com/），您至少应该得到一个解释为什么它不起作用-在某个时候。 - chrisl

缺乏文本输出是由于txtwrite设备中的一些严重逻辑错误造成的，当无法从PDF文件中提取Unicode信息并回退到原始字符代码时。现在已经修复了这个问题。如果您在Ghostscript中发现了一个bug，请务必向我们报告，以便我们及时修复它...... txtwrite设备现在可以正确地提取此文档中的所有文本。 - KenS

Answer 2

我已经通过从Git获取最新的未发布版本的Ghostscript并构建它来解决了这个问题。现在，txtwrite设备给了我我需要的东西。感谢chrisl的答案和评论，让我朝着正确的方向前进。

- Ben Walker

---

你好，你有没有尝试过从PDF中删除图像，以便PDF仅包含文本？我正在寻找一种方法来做到这一点。您是否有使用ghostScript或任何其他cli工具的解决方案？请帮忙。 - hussainb

Answer 3

有一种非常“hacky”的方法可以提取数据，但它只适用于旧版本的Ghostscript，如8.51或8.62。在旧版本的Ghostscript中，PDF命令定义在/lib/pdf_ops.ps中。新版本则做了其他事情。

这里提供了经过测试的8.62版本。

http://sourceforge.net/projects/ghostscript/files/GPL%20Ghostscript/8.62/gs862w32.exe/download

你需要的文本是使用/Tj {} def和/TJ {} def打印的，通过在每个定义的开头添加dup ==来实现。（这可以更加复杂）我也没有担心字体警告消息，但如果数据写入文件，则会被过滤掉。

一些单词被分成几个部分和单个字母，因为正在进行字距调整。随着时间的推移，这也可以被过滤。

从pdf_ops.ps修改/Tj /Tj { dup == 0 0 moveto Show settextposition } bdef

从pdf_ops.ps修改/TJ

/TJ { dup == 
  0 0 moveto {
    dup type /stringtype eq {
      Show
    } { -1000 div
      currentfont /ScaleMatrix .knownget { 0 get mul } if
      0 Vexch rmoveto
    } ifelse
  } forall settextposition
} bdef

输出

(Help a neighbor within your county each month by contributing to The Salvation )
(Army's Project SHARE and Georgia Power will match your gift. To help, simply check )
($1, $2, $5, or $10 on the return portion of this bill. Starting next month, your pledge )
(amount will be included on your monthly bill.)
(Our business offices will be closed on December 24 and 25 for Christmas and January )
(1 for New Year's Day. In case of an emergency, please call us at the number on your )
(bill 24 hours a day, 7 days a week.)
(PLEASE KEEP THIS PORTION FOR YOUR RECORDS.)
(PLEASE RETURN THIS PORTION WITH YOUR PAYMENT, MAKING SURE THE RETURN ADDRESS SHOWS IN THE ENVELOPE WINDOW.)
(Account Number)
(Mail To:)

PostScript 不是很有趣吗？

- Fred F

---

尝试后，当我尝试运行Ghostscript时，出现“找不到初始化文件gs_init.ps”的错误。使用的版本是8.62。此外，我的pdf_ops.ps文件位于lib\而不是bin\中。我认为它应该保留在lib\中。 - Ben Walker

并且gs_init.ps存在于lib\中。 - Ben Walker

非常奇怪，gs_init.ps在读取pdf_ops.ps之前就被读取了，所以我怀疑这可能是一个无关的问题。尝试在没有修改的情况下运行GS，看看是否会消除该错误。gs_init.ps在GPL Ghostscript 8.62（2008-02-29）之前被读取，您看到了那条消息吗？如果错误发生在此消息之前，则肯定会发生其他事情。是的，目录应该是\lib而不是\bin，并且文件应该保留在\lib中。 - Fred F