linux 下 pdf 转换成txt

Posted 2020-08-05

pdf有转换，如果是非扫描的，转换很快，识别率100%，很多软件可以转；如果是扫描的，就比较麻烦需要用到OCR技术（文字识别）。

在linux下：

依赖包  poppler-utils  tesseract tesseract-ocr-chi-sim 

情况一：pdftotxt 命令 可以转换非扫描版，免费又方便，只是格式、字体都没了

情况二：pdftoppm + tesseracr 可以实现扫面版的转换

情况一操作 pdftotxt  name.pdf   new.txt

情况二操作 第一步：pdftoppm name.pdf new   会生成new-1.ppm new-2.ppm 每页一个；

第二步： tesseracr new-1.ppm  result    会生成result.txt；可通过写脚本逐个转换，最后合到一个txt里

我的脚本如下：

第一步：pdftoppm test.pdf b -r 450 -freetype yes   ；经过我测试 当DPI为450是识别效果较好，ppm文件也不是很大，单个在60M左右

第二步：脚本

for i in `ls b-*.ppm`  #注意路径
do
n=1
    while [ $n -eq 1 ]   #监测任务
    do
    num=`ps aux|grep tesser|wc -l`  #并发任务不超过四个，可自行修改，注意内存和CPU
        if  [ $num -le 4 ]
        then
            tesseract $i $i -l chi_sim &   #任务  -l chi_sim是指定内容是中文，会生成很多txt，最后不要忘了合并。
            n=0
        else
            sleep 3
        fi
    done
done