从pdf或djvu文档中提取内容部分的简单脚本
pdf-contents-extractor的Python项目详细描述
PDF内容提取程序
从pdf或djvu文档中提取文本内容（用于handyoutliner）
需要：
- 对于pdf，pytesseract和pymupdf（都可以通过pip轻松安装）
- 对于djvu，路径中可用的ddjvu命令
在终端中安装后键入：extract_contents/path/filename startpage lastpage
（例如：extract_contents example.djvu 3 6）
其中startpage和lastpage是内容页的页码。
脚本自动识别格式（pdf或djvu）
默认的Tesseract语言是英语。可以使用-l标志设置另一种语言（例如，英语和荷兰语为：-l eng+nld），但需要安装正确的tesseract语言包。
有关其他选项和帮助，请键入：extract_contents-h
可以在文本编辑器中进一步编辑内容，并使用handyoutliner（http://handyoutlinerfo.sourceforge.net/）将其添加到pdf文件中
关于DJVU的说明
对于djvu文件，命令djvutxt在linux上通常已经运行良好（如果ocr层可用）。示例用法：djvutxt -page=3-6 example.pdf contents.txt
欢迎加入QQ群-->： 979659372
