我该如何从PDF中提取文本内容（而不是图片），同时大致保留样式和布局，就像Google Docs可以做到的那样？
6个回答
11
要从PDF中提取文本并获取其位置，您可以使用PDFMiner。 PDFMiner还可以将PDF直接导出为HTML，保持文本在正确的位置。
我不知道您的用例，但这样做可能会遇到很多问题，因为PDF确实是面向演示而不是内容，文本流不连续。因此，如果您想使文本可编辑，这将不是一项易于完成的任务。
- Etienne
1
4
如果你想像谷歌一样做到这一点：
谷歌将PDF转换为图像，然后用JavaScript可突出显示区域（就像巫术一样）覆盖图像，在文本位置上。当您用鼠标滚动到它们上方时，这些区域看起来像文本，但实际上不是。这可能对您没有帮助，但这就是他们的做法。如果您想进行反向工程，可以从https://www.mercurial-scm.org/开始。在主页上，他们使用JavaScript执行相同的操作，使文本可突出显示和可复制。您可以从PDF中提取文本，并使用其他答案中提到的库之一找到其在页面中的位置。然后，您可以使用相同风格的JavaScript区域叠加提取的文件图像。
谷歌将PDF转换为图像，然后用JavaScript可突出显示区域（就像巫术一样）覆盖图像，在文本位置上。当您用鼠标滚动到它们上方时，这些区域看起来像文本，但实际上不是。这可能对您没有帮助，但这就是他们的做法。如果您想进行反向工程，可以从https://www.mercurial-scm.org/开始。在主页上，他们使用JavaScript执行相同的操作，使文本可突出显示和可复制。您可以从PDF中提取文本，并使用其他答案中提到的库之一找到其在页面中的位置。然后，您可以使用相同风格的JavaScript区域叠加提取的文件图像。
- orokusaki
1
啊，你说得对 - 他们正在使用图像，这不是我想要的，因为我需要操作文本。 - hoju
3
如果您不一定要使用Python，Ghostscript可以为您完成此操作。请查看pdf2ascii（附带GS的脚本）以获取纯文本。样式更加复杂，因为它们可以用几种不同的方式指定。
- Justin R.
3
Acrobat专业版可以完成这项任务。在“文件”菜单中，选择导出。然后，选择文本（Text）。
- Shawn
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
python-pdfminer，命令是pdf2txt。 - naught101