DocHub 程序是开源免费的，不存在售，所以没有所谓的售后，所以凡是遇到问题，请到GitHub或者Gitee提交issues，以便问题存档以及在有空的时候查看和排查，不接受除此之外的任何答疑求助。每天上班要工作，下班要生活、休闲、学习以及对开源项目做改进和优化…请理解和见谅，谢谢。

pdftotext

作用

提取 PDF 中的文本内容

安装

Windows

Windows 下不需要安装，因为我目前也没有发现存在Windows的版本。

不安装这个工具，对程序有影响，但是影响不大，因为从PDF中提取txt文本内容，还可以使用 calibre 进行提取。

Linux

  1. [sudo] apt install poppler-utils

Mac

  1. [sudo] brew install poppler-utils

是否安装成功

执行如下命令：

  1. pdftotext --help

看到如下结果，则表示安装成功。

  1. pdftotext --help
  2. ------
  3. pdftotext version 0.41.0
  4. Copyright 2005-2016 The Poppler Developers - http://poppler.freedesktop.org
  5. Copyright 1996-2011 Glyph & Cog, LLC
  6. Usage: pdftotext [options] <PDF-file> [<text-file>]
  7.   -f <int>             : first page to convert
  8.   -l <int>             : last page to convert
  9.   -r <fp>              : resolution, in DPI (default is 72)
  10.   -x <int>             : x-coordinate of the crop area top left corner
  11.   -y <int>             : y-coordinate of the crop area top left corner
  12.   -W <int>             : width of crop area in pixels (default is 0)
  13.   -H <int>             : height of crop area in pixels (default is 0)
  14.   -layout              : maintain original physical layout
  15.   -fixed <fp>          : assume fixed-pitch (or tabular) text
  16.   -raw                 : keep strings in content stream order
  17.   -htmlmeta            : generate a simple HTML file, including the meta information
  18.   -enc <string>        : output text encoding name
  19.   -listenc             : list available encodings
  20.   -eol <string>        : output end-of-line convention (unix, dos, or mac)
  21.   -nopgbrk             : don't insert page breaks between pages
  22.   -bbox                : output bounding box for each word and page size to html.  Sets -htmlmeta
  23.   -bbox-layout         : like -bbox but with extra layout bounding box data.  Sets -htmlmeta
  24.   -opw <string>        : owner password (for encrypted files)
  25.   -upw <string>        : user password (for encrypted files)
  26.   -q                   : don't print any messages or errors
  27.   -v                   : print copyright and version info
  28.   -h                   : print usage information
  29.   -help                : print usage information
  30.   --help               : print usage information
  31.   -?                   : print usage information

测试

使用如下命令，测试文本提取结果。

  1. pdftotext -f 1 -l 5 example.pdf example.txt

如果提取到 txt 文件中的文本内容没有出现乱码，则表示内容提取成功。如果出现乱码，需要从字符编码和中文字体排查。