PDF에서 텍스트 내용 추출

Question

pdftotext를 사용하여 PDF에서 텍스트를 추출했습니다. Ghostscript로이 작업을 수행했습니다. 최근 유틸리티 공급 업체가 PDF를 변경하여 일부는이 방법으로 추출하지 못합니다. 특히, 나는 만기일과 총 기한을 놓치고있다. 독자가 PDF를 열면 누락 된 텍스트를 강조 표시하고 복사하여 외부 편집기에 붙여 넣을 수 있습니다. Acrobat Pro에서 열고보기 (보기 -> 표시/숨기기 -> 탐색 패널 -> 내용)의 내용을 볼 때 필요한 텍스트가 있습니다. 수동으로 복사하여 붙여 넣지 않고 어떻게 제거 할 수 있습니까? (이것은 수천 개의 PDF에서이 작업을 수행 할 것이기 때문에 선택 사항이 아닙니다.)

여기 제가 다루고있는 예입니다. 난 당신이 (Google 드라이브에서 호스팅) 파일에 대한 링크를 수행 할 때, 당신이 선택할 수있는 것이 게시 한 후 발견 및 대부분의 텍스트를 복사 :

link to PDF

편집 : 나는 모든 중요한 데이터를 삭제 한 페이지,하지만 내가 누락 된 것들. 파일을 다운로드 할 때 PDF 판독기에서 누락 된 텍스트를 선택할 수 있습니다.

Answer 1

나는 gitscript의 최신 미발매 버전을 git에서 가져 와서 빌드함으로써이 문제를 해결했다. 이제 txtwrite 장치는 필자에게 필요한 것을 정확하게 제공합니다. 그의 답변에 대한 chrisl과 올바른 방향으로 나를 안내하는 의견에 감사드립니다.

Answer 2

Ghostscript의 최신 릴리스에는 시도해 볼 가치가있는 txtwrite 장치가 있습니다.

Answer 3

데이터를 추출하는 데 VERY HACKY 방법이 있지만 8.51 또는 8.62와 같은 이전 버전의 고스트 스크립트에서만 작동합니다. 이전 버전의 ghostscript에서 PDF 명령은 /lib/pdf_ops.ps에 정의되어 있습니다. 새 버전은 다른 작업을 수행합니다.

버전 8.62의 테스트 버전을 사용할 수 있습니다.

http://sourceforge.net/projects/ghostscript/files/GPL%20Ghostscript/8.62/gs862w32.exe/download 

당신이 후에있는 텍스트는 각 정의의 시작 부분에 dup ==을 추가하여 /Tj {} def 및 /TJ {} def를 사용하여 인쇄됩니다. (이것은 좀더 정교해질 수 있습니다.) 폰트 경고 메시지에 대해 걱정할 필요도 없었지만, 데이터가 파일에 쓰여지는 경우 필터링되지 않았습니다.

커닝이 완료되고 있기 때문에 일부 단어는 조각과 개별 문자로 나뉩니다. 시간이 주어진다면, 이것도 걸러 낼 수 있습니다.

는 pdf_ops.ps

발/TJ

/TJ { dup == 
    0 0 moveto { 
    dup type /stringtype eq { 
     Show 
    } { -1000 div 
     currentfont /ScaleMatrix .knownget { 0 get mul } if 
     0 Vexch rmoveto 
    } ifelse 
    } forall settextposition 
} bdef 

출력

(Help a neighbor within your county each month by contributing to The Salvation) 
(Army's Project SHARE and Georgia Power will match your gift. To help, simply check) 
($1, $2, $5, or $10 on the return portion of this bill. Starting next month, your pledge) 
(amount will be included on your monthly bill.) 
(Our business offices will be closed on December 24 and 25 for Christmas and January) 
(1 for New Year's Day. In case of an emergency, please call us at the number on your) 
(bill 24 hours a day, 7 days a week.) 
(PLEASE KEEP THIS PORTION FOR YOUR RECORDS.) 
(PLEASE RETURN THIS PORTION WITH YOUR PAYMENT, MAKING SURE THE RETURN ADDRESS SHOWS IN THE ENVELOPE WINDOW.) 
(Account Number) 
(Mail To:) 

변성

bdef pdf_ops.ps /TJ {DUP == 0 0의 moveTo 쇼 settextposition }에서 TJ/수정

포스트 스크립트 재미 아닌가요?