मैंने कई प्रोग्राम आज़माए हैं: pdftotext, pdf2txt.py, ... ये सभी PDF से टेक्स्ट निकाल सकते हैं, लेकिन जो बेहतर काम कर रहा है, वह है ol ' less
: पीडीएफ के टेक्स्ट का एक उचित लेआउट है। यह कैसे कम कर रहा है? यह किसी भी पुस्तकालय का उपयोग कर रहा है, या पीडीएफ प्रसंस्करण में निर्मित है?
मैं पूछ रहा हूं क्योंकि मैं इस मस्ती का उपयोग प्रोग्रामेटिक रूप से करना चाहूंगा, जरूरी है कि बाहरी प्रोग्राम (मैं अजगर कर रहा हूं) के रूप में कम चलाऊं।
मेरी प्रणाली है:
» less --version
less 458 (GNU regular expressions)
Copyright (C) 1984-2012 Mark Nudelman
less comes with NO WARRANTY, to the extent permitted by law.
For information about the terms of redistribution,
see the file named README in the less distribution.
Homepage: http://www.greenwoodsoftware.com/less
» uname -a
Linux polyphemus 3.13.0-53-generic #89-Ubuntu SMP Wed May 20 10:34:39 UTC 2015 x86_64 x86_64 x86_64 GNU/Linux
pdftotext -layout $1 -