（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
- W7 I( T- U+ E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
9 z& ^9 F* T+ M5 f% q( ^+ zeeshu :
& i1 Z/ @% b: P4 ^+ U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
/ u. q( r/ k8 T8 }% _% z/ r; Z) C% u好像是pdf裁页拼接出了问题。我再重做一次。

$ m( x6 s, ^/ e9 {8 _! q已經處理 OK

wjl

喬治兄 发表于 2020-8-3 11:58
eeshu :
% G& C$ p5 X) f# e& J( |6 i: N重複詞條也太多了.....不知為何如此

Time used for this section: 0 seconds
Begin processing data contents...
# y& N4 Z, v! S" T% zDone!
+ e' A0 @0 k* Y: AOriginal text size = 1159KB, compressed size = 432KB, compression ratio = 37%
Time used for this section: 0 seconds
  p/ S& `/ U" g6 s" E" CNumber of entries: 2783
Conversion succeed!
' R5 u! D2 \/ s/ H( g
4 c6 X4 U/ }! _: U/ d去重后2783条
; ?% j5 F1 |2 C8 P7 q

wjl

eeshu 发表于 2020-8-3 12:33
7 L3 e/ @0 Y2 F+ R9 _  W7 ^- i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
Time used for this section: 0 seconds
" B2 F5 H  p- WBegin processing data contents...
Done!

" c) y6 A1 r0 O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
( D) i2 g9 c  n' l% C- V8 H好的，谢谢。我也重做了，之后比对比对。

https://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
- E' H! i. h. D' e- C2 V总不能逐页复制粘贴吧？

" z, U. o# s! w4 ~3 e$ z$ a4 [不是有ctrl+A全部选定吗

eeshu

! [( x2 J+ z. {7 |# v! q2 F

wjl 发表于 2020-8-3 13:13
4 C% @) b' L) W  G7 J' ~* O) R0 j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
1 m4 Z. K: B+ s# q已经上传链接：https://pan.baidu.com/s/1sapNgJXdDx6cRueVIKVP3g
, i2 ~* _2 ]7 y& P5 ^( T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。
+ r) x5 b4 X" D* f: X1 d       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？

: O0 l1 b% B" ?* ~* Z' I+ fYan Yu Ci Dian cut - Wei Zhi.txt    0.97M
谚语词典cut.pdf    61.11M
谚语词典cut_Apabi Reader.txt    2.98M
+ ]# x$ H# {9 k3 S谚语词典cut_Caj.txt    2.69M
谚语词典cut_PDF2TXT.txt    1.93M
谚语词典cut_SumatraPDF.txt    1.03M
谚语词典cut_txtFormat.txt    434.37k
7 D+ h- C2 L! {" d# X谚语词典cut_Wondershare PDF Converter.txt    2.91M


* l/ w' e& n0 z3 b

& c, j, P' a( a- z' l1 z5 _2 d4 E

2 G% W! C0 e+ n/ R* l1 N6 b

eeshu

yfz48516 发表于 2020-8-4 04:40
; l0 ?2 Q; f  G5 H% p5 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 ...

; {7 Q  ?% i; H, p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。