微知-如何将pdf中的文字都提取出来？如何增加拷贝能力？（pdftotext xxx.pdf ouput.txt、pdftotext -layout xxx.pdf output.txt）

背景

随着AI的发展，经常需要用RAG来提高模型的效率，但是对于一些简单的文本，直接使用RAG可能无法达到很好的效果，这时候就需要使用到pdftotext来将pdf中的文字提取出来，然后进行文本分析。本文简单记录命令使用方式

命令

pdftotext xxx.pdf ouput.txt
pdftotext -layout xxx.pdf output.txt

注意：这里参数-layout会保留pdf中的格式，如果不保留格式，则使用pdftotext xxx.pdf output.txt

实操

其他

pdftotext

在ubuntu上一般自带

还有pdf2text的工具安装方式

python安装：（最常用的是 pdfminer.six 这个 Python 库，它包含 pdf2text 工具。）
sudo apt install python3-pdfminer

mac上其他安装方式：
brew install --cask pdf-expert

其他

qpdf --decrypt --replace-input yourpdf.pdf #增加拷贝能力