（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
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？

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
eeshu :
. N3 `; |8 Z0 e' z, u7 f重複詞條也太多了.....不知為何如此

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
# `- ^" B; }$ C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
0 l! H- F) w: ~6 C- F1 F: ?7 heeshu :
重複詞條也太多了.....不知為何如此

' U; r: F( |' o: YTime used for this section: 0 seconds
Begin processing data contents...
- V) V, {$ ~) X7 O* tDone!
- W2 F# ~/ d; W$ O9 QOriginal text size = 1159KB, compressed size = 432KB, compression ratio = 37%
Time used for this section: 0 seconds
5 E% L) F% I/ o8 N, `& m- W6 ZNumber of entries: 2783
Conversion succeed!
1 J% y) o% T9 o0 K
2 M' e& P4 U9 R! @: ]0 W去重后2783条
; d' ~5 f* d0 F: K$ O* G# b( k4 h
, `* j) c+ Q! O8 Y& V3 V0 v

wjl

eeshu 发表于 2020-8-3 12:33
5 \: G" `) a1 h是可以，我帖子里就写了复制可以。

$ r0 ?  e8 r4 D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
) |' j1 E2 P! t1 P" b3 r7 B% MTime used for this section: 0 seconds
' |% n4 I7 V; ABegin processing data contents...
7 ~% N5 x) M) n& x" w, h' ]! g* MDone!

9 a+ b% N* ]# Q6 M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
- D4 l4 v3 h+ G/ B% a' N好的，谢谢。我也重做了，之后比对比对。

! X/ |: X6 C) e3 `1 s8 _https://www.pdawiki.com/forum/fo ... p;extra=#pid1960898

eeshu

wjl 发表于 2020-8-3 13:03
0 e( \6 S2 n. O5 A9 O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？

" x, Q1 ]5 G4 @0 l& J! O不是有ctrl+A全部选定吗

eeshu

wjl 发表于 2020-8-3 13:13
$ b: G: x& o/ U6 p( z$ I不是有ctrl+A全部选定吗

- l/ V" N3 X6 z4 v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
5 P2 j  v0 P! [9 g( D* H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。
  w% }- T& w! M" |$ \' J& R       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。
       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？
) q& _) y$ `' W! c
$ f1 t- C) u3 R4 ?% qYan Yu Ci Dian cut - Wei Zhi.txt    0.97M
谚语词典cut.pdf    61.11M
" M: {  m; Q/ s8 P谚语词典cut_Apabi Reader.txt    2.98M
' E/ h  P$ o, f' t1 h谚语词典cut_Caj.txt    2.69M
谚语词典cut_PDF2TXT.txt    1.93M
- T1 E' l; |; I! B: D1 [谚语词典cut_SumatraPDF.txt    1.03M
谚语词典cut_txtFormat.txt    434.37k
6 o0 k( ~' ]% f谚语词典cut_Wondershare PDF Converter.txt    2.91M
3 D2 B  v3 M5 z6 w+ T+ k4 ~, y; P; n
9 u9 Q, E# l6 Y. x& ]! v
% N# K/ f9 V0 }3 ]" m7 R% q! V. m6 S
; T* l& U* v/ s4 r  Y9 v
9 d6 a0 z4 {3 c& `' d6 T! L" t

eeshu

yfz48516 发表于 2020-8-4 04:40
, W3 Z- l+ o2 h) `& j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 ...

; d+ ?7 i9 b. i3 g9 J7 b  g& m. u3 i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。