Pdftotext, konverter en PDF til tekst fra terminalen

I den næste artikel skal vi se på pdftotext. Dette er et open source kommandolinjeværktøj, der giver os mulighed for det konvertere PDF-filer til almindelige tekstfiler. Grundlæggende hvad det gør er at udtrække tekstdataene fra PDF-filerne. Denne software er gratis og er inkluderet som standard i mange Gnu / Linux-distributioner.

I de følgende linjer vil vi se et værktøj til terminalen, men med det samme formål at udtrække tekst fra PDF-filer Du kan også bruge et grafisk værktøj som f.eks kaliber. Det er værd at bemærke, at både det grafiske værktøj og det, vi kan bruge i terminalen, de kan ikke udtrække teksten, hvis PDF-filen er lavet af billeder (fotografier, scannede bogbilleder osv.).

På de fleste Gnu / Linux-distributioner pdftotext er inkluderet som en del af poppler-utils-pakken. Dette værktøj er et kommandolinjeprogram, der konvertere PDF-filer til almindelig tekst. I den finder vi mange tilgængelige muligheder, herunder muligheden for at specificere rækkevidden af ​​sider, der skal konverteres, muligheden for at holde det originale fysiske layout af teksten bedst muligt, indstille linieendelser og endda arbejde med adgangskodebeskyttede PDF-filer .

relateret artikel:

Fjern en kendt adgangskode fra en PDF-fil i Ubutu

Installer pdftotext på Ubuntu

For at installere dette værktøj på vores Ubuntu-system, hvis du ikke allerede har det installeret, skal du bare åbne en terminal (Ctrl + Alt + T) og skrive følgende kommando i den til installer poppler-værktøjer:

sudo apt install poppler-utils

Sådan bruges pdftotext

Konverter en PDF-fil til tekst

Når vi har pakken installeret på vores operativsystem, kan vi konvertere en PDF-fil til almindelig tekst. Kan prøv at beholde det originale design ved hjælp af muligheden -layout med kommandoen, men vi kan også prøve uden den. I en terminal (Ctrl + Alt + T) er kommandoen, der skal bruges, følgende:

pdftotext -layout pdf-entrada.pdf pdf-salida.txt

I den forrige kommando skulle vi erstatte pdf-input.pdf med navnet på den PDF-fil, som vi er interesseret i at konvertere, og pdf-output.txt ved navnet på den TXT-fil, hvor vi vil gemme teksten i input-PDF-filen. Hvis vi ikke angiver nogen outputtekstfil, navngiver pdftotext automatisk filen med det samme navn som den originale PDF-fil, men med en txt-udvidelse. En anden ting, der kan være interessant at tilføje til kommandoen, er stierne før filnavnene, hvis det er nødvendigt (~ / Dokumenter / pdf-input.pdf).

Konverter kun en række PDF-sider til tekst

Hvis vi ikke er interesseret i at konvertere hele PDF-filen, og vi ønsker det indsnævre en række PDF-sider for at konvertere til tekst der vil være brug -f option (første side, der skal konverteres) Og -l (sidste side at konvertere) efterfulgt af hver mulighed med sidetallet. Kommandoen til at bruge ville være noget i retning af følgende:

pdftotext -layout -f P -l U pdf-entrada.pdf

I den forrige kommando skal du udskift bogstaverne P og U med det første og sidste sidetal at udtrække. Navnet på pdf-input.pdf Vi bliver også nødt til at ændre det og give det navnet på den PDF-fil, som vi vil arbejde med.

Brug sluttegnstegn

Dette vil vi være i stand til at specificere ved hjælp af -eol efterfulgt af mac, dos eller unix. Den følgende kommando tilføjer unix-linieendelser:

pdftotext -layout -eol unix pdf-entrada.pdf

hjælpe

til tjek tilgængelige muligheder, kør mandsiden:

man pdftotext

Du kan også se hjælpemuligheden med kommandoen:

pdftotext --help

Konverter PDF-filer fra en mappe ved hjælp af en Bash FOR-loop

Hvis vi vil konvertere alle PDF-filer i en mappe til tekstfiler, pdftotext understøtter ikke batchkonvertering fra PDF til tekst. dette vi vil være i stand til at gøre det ved hjælp af en Bash FOR-løkke i terminal (Ctrl + Alt + T):

for file in *.pdf; do pdftotext -layout "$file"; done

til flere oplysninger om pdftotext, kan du konsultere projektwebsted. Hvis du foretrækker ikke at skulle skrive kommandoer i terminalen, kan du også brug a online service for at få det samme resultat.