有没有比pdftotext更好的pdf到文本转换器？

我正在使用pdftotext（poppler-utils的一部分）将PDF文档转换为文本。它在大多数情况下都有效，但是我希望做的一件事是在单独的段落之间插入空白行，而不是将它们混在一起。

有没有办法让pdftotext做到这一点？如果不是，是否还有另一个可以将pdf转换为文本的工具？

您可以ebook-convert从Calibre尝试。

如果有的话，我会说这是错误的：换行过多。

我当然会考虑的另一件事是使用pdfreflow转换为HTML ，然后将HTML转换为TXT。

如果您使用的是pdftotext，则可以使用该-layout标志保留输入的pdf文件中页面上文本的布局：

pdftotext -layout input.pdf output.txt

作为开源（和自动化）的爱好者，我不想这么说，但是我刚得到的最好结果（在相当大的复杂PDF上）是在Adobe Reader中打开它，然后选择“文件” |“另存为文本”。

（我正在为文本分析实验做预处理，而不是作为读者，但是我认为我的第一和第二选择是相同的。）

我一直在并排比较输出。我的第二选择是电子书转换。

Adobe：留在FF中用于换页符，留在页面编号中，尚未将标题/段落转换为单行，但具有固定的连字符。PDF中隐藏的垃圾没有得到输出。在部分开头正确地获得大资本，例如“ The”，“ T he”甚至“ T he”。

ebook-convert：页码左，页眉/页脚中有一些隐藏的垃圾（但没有FF）。将大多数段落转换为单行。它错过的是双倍行距！项目符号并不总是与文本对齐。在本章的开头正确获得了“ The”。

pdftotext（不带--layout）：不错，项目符号对齐，但页眉/页脚有杂音。FF在那里。连字符已删除。最糟糕的一章大写字母开头：“ T \ n \ nhe”。

pdftotext（带有--layout）：相似，但缩进更多。“ T he”作为本章的开始。

pdftohtml >> pdfreflow >> htmltotext：它删除了页码，但是在页眉/页脚中仍然是垃圾。“ T he”作为本章的开始。连字符已删除。（它在每个段落中使用多行，但是它们与其他版本中的换行符不同！）

如果您拥有Google帐户，则可以使用Google文档上传PDF并将其转换为可编辑的文本。

我还尝试了pypdf并将其与pdftotext在两个文档上进行了比较。它具有更多的换行符，并拆分了一些节名称（REFERENCES为REFERENCES）。

pdf2txt确实输出了完整的垃圾。

如果pdftotext破坏了输出，我经常使用pdfBox（java）。您可以尝试一下。