（已解决）什么软件能将文字版pdf中的文本完整提取出来？

eeshu

wjl 发表于 2020-8-3 12:10
1 k& D' f; k* q我这里测试的在Adobe Acrobat DC中全选、复制、粘贴就可以了呀，起码第一页没问题，你那里不行吗？

: k9 J8 ~) E: \/ a; ^* @/ b是可以，我帖子里就写了复制可以。

eeshu

喬治兄 发表于 2020-8-3 11:58
) a  w8 m; Y4 j! F0 n- D+ L$ Teeshu :
重複詞條也太多了.....不知為何如此

  u: b$ J1 g, t  [6 E好像是pdf裁页拼接出了问题。我再重做一次。

喬治兄

eeshu 发表于 2020-8-3 12:34
* I" J$ \5 j/ Z' T& ]; F3 }9 B% q好像是pdf裁页拼接出了问题。我再重做一次。

已經處理 OK

wjl

喬治兄 发表于 2020-8-3 11:58
eeshu :
) r' Y+ f  O7 d$ w" t重複詞條也太多了.....不知為何如此

Time used for this section: 0 seconds
' R/ Q9 L4 P0 S+ ~, eBegin processing data contents...
+ ]* g' \$ E1 lDone!
Original text size = 1159KB, compressed size = 432KB, compression ratio = 37%
Time used for this section: 0 seconds
# z8 M, E' C: H7 J6 y! V9 O( iNumber of entries: 2783
Conversion succeed!
$ J( y0 J# [* F1 u0 M7 S% A
去重后2783条

wjl

eeshu 发表于 2020-8-3 12:33
- w9 M7 T# {$ D" I' d是可以，我帖子里就写了复制可以。

不明白复制粘贴就能解决的问题，为啥还要找软件处理

eeshu

wjl 发表于 2020-8-3 13:00
$ [% i+ c0 m7 [( m# I/ Q8 ATime used for this section: 0 seconds
+ Q( H% J" t( O$ x/ zBegin processing data contents...
% {8 A% s( ~$ a+ m, |. L7 nDone!

0 H$ n* C: X8 G) @# D好的，谢谢。我也重做了，之后比对比对。

喬治兄

eeshu 发表于 2020-8-3 13:03
* c$ i+ _; u# @# U好的，谢谢。我也重做了，之后比对比对。

1 ]+ z& f( R4 f- L' B# whttps://www.pdawiki.com/forum/fo ... p;extra=#pid1960898

eeshu

wjl 发表于 2020-8-3 13:03
不明白复制粘贴就能解决的问题，为啥还要找软件处理

总不能逐页复制粘贴吧？

wjl

eeshu 发表于 2020-8-3 13:09
总不能逐页复制粘贴吧？

不是有ctrl+A全部选定吗

eeshu

wjl 发表于 2020-8-3 13:13
不是有ctrl+A全部选定吗

我的内存没有这么大。而且ctrl+A可以跨页复制吗？

yfz48516

eeshu 发表于 2020-8-3 10:26
已经上传链接：https://pan.baidu.com/s/1sapNgJXdDx6cRueVIKVP3g
提取码：kz89，请试试你的各种法宝。 ...

       楼主试过的acrobat、foxit和smallpdf软件，我就没有试，我用了如下软件：Apabi Reader、Caj、SumatraPDF、Calibre、PDF2TXT、txtFormat和Wondershare PDF Converter，前三种和最后一种成功转换，Calibre、PDF2TXT和txtFormat失败——根本没有汉字！文件也是最小的三种；原文件和转换后的文本文件列于下，文本压缩包见附件。
       从转换效果来看，Apabi Reader和SumatraPDF最好，基本与原文一致，Caj次之，Wondershare PDF Converter转换的每个汉字之间均有空格。Caj是这几个软件中唯一能正确双栏显示Pdf的，其他几个都只显示单栏；Calibre名气不小，而且支持的格式最多，但这次失败了；PDF2TXT批量转换较快，但经常有乱码。
1 T& T+ F% L& x2 E       另外，我在将带有表格的Htm（Html）转换为Txt文本中，试过多种方式，往往都难以保持表格对齐的格式，似乎除了很老的Netscape 4.05浏览器，现在流行的各种浏览器都不能正确地把网页存为保持表格格式的Txt文本，但Netscape上个世纪末被微软挤垮后再无踪影了， 虽然它无法支持今天的很多网页，但有这个优点，我仍然把它放在硬盘上备用。这个问题，不知各位大神有无高招？

) g. j+ T) g4 ?7 z8 I1 uYan Yu Ci Dian cut - Wei Zhi.txt    0.97M
谚语词典cut.pdf    61.11M
' }' I& \% v; f( h' L! s谚语词典cut_Apabi Reader.txt    2.98M
谚语词典cut_Caj.txt    2.69M
% `, \) W0 B1 m" {9 m# M7 {% Z谚语词典cut_PDF2TXT.txt    1.93M
3 y8 s) E7 {: x/ X谚语词典cut_SumatraPDF.txt    1.03M
谚语词典cut_txtFormat.txt    434.37k
9 i# T+ d1 w" C  @+ t) k谚语词典cut_Wondershare PDF Converter.txt    2.91M

. o# j* S* W& O& [6 L1 E


. _5 j% E& c9 A; ]3 v' n5 X/ j

; O& V& R! D( {( k

eeshu

yfz48516 发表于 2020-8-4 04:40
: v& `1 u$ x& l楼主试过的acrobat、foxit和smallpdf软件，我就没有试，我用了如下软件：Apabi Reader、Caj、Suma ...

哇，辛苦你了。昨晚我换了台性能好些的电脑，可以直接复制全书内容。对于文字版pdf，这是最保险的方式。当然，格式没有，光有内容。