Linux环境下PDF文本提取技巧
本文介绍了在Linux系统中如何提取PDF文本，包括使用pdfgrep命令行工具和python3的pdfplumber库。pdfgrep能快速查找PDF中的特定文本，而pdfplumber允许更精细的文本处理，但可能需要调整参数以解决单词连接问题。对于简单文本提取，推荐使用pdfgrep。
前言
不必打开pdf文件，在Linux终端下可用pdfgrep或python3编程来提取文本。
存在问题：双栏的文本仍按单行提取，尚未自动生成单栏排版。
一、使用pdfgrep来提取文本
功能：命令行工具，用来查找 pdf 文件中的文本。更多用法详见官网。
pdfgrep -n 'txt*' file.pdf|grep -v 'old word'说明： 查找file.pdf中含 'txt*' 的行，但不包括 ‘old word' 的行，同时给出所在页码。
若仅输出全文，可用如下命令：
pdfgrep ' ' test.pdf # get full txt in compact form.二、使用pdfplumber来提取文本
安装：pip3 install pd
最低0.47元/天 解锁文章
扫一扫
1000
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
