如何从PDF中提取格式化文本内容
我怎么才能从PDF文件中提取出文字内容（不包括图片），同时大致保持它的样式和布局，就像Google Docs那样？
6 个回答
4
如果你想像谷歌那样做：
谷歌会把PDF文件转换成一张图片，然后在原本有文字的地方，用JavaScript创建一些可以高亮的区域（这就像是巫术一样神奇）。当你用鼠标指针在这些区域上移动时，它们看起来像是文字，但其实并不是。虽然这可能对你没有太大帮助，但这就是他们的做法。如果你想要反向工程（也就是研究它是怎么做的），你可以从https://www.mercurial-scm.org/开始。在他们的主页上，他们也用JavaScript做了类似的事情，让文字可以高亮和复制。你可以从PDF中提取文字，并用其他回答中提到的库找到它在页面上的位置。然后，你可以用同样风格的JavaScript区域，把提取的文件图片覆盖上去。
11
如果你想从PDF文件中提取文本并获取它的位置，可以使用PDFMiner这个工具。PDFMiner还可以直接把PDF导出为HTML格式，这样文本的位置也能保持正确。
我不知道你具体的需求是什么，但在做这个过程中可能会遇到很多问题，因为PDF文件主要是为了展示而设计的，而不是为了内容。文本的流动性并不是连续的。所以，如果你想让提取出来的文本可以编辑，这可不是一件简单的事情。