（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
' t) F1 w' r4 C- O" @8 \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？

6 j6 c/ S  d( J& e+ ?# S: U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
8 j5 h7 g- b4 C# X+ x) x" Keeshu :
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
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
  m7 b  q+ x' u! u1 Yeeshu :
重複詞條也太多了.....不知為何如此

Time used for this section: 0 seconds
. d: |. T& ]9 [5 F- KBegin processing data contents...
Done!
Original text size = 1159KB, compressed size = 432KB, compression ratio = 37%
Time used for this section: 0 seconds
Number of entries: 2783
( a. S* c. W& v: ]& g9 vConversion succeed!

( N* G2 Y& u: [0 j5 ?去重后2783条

% B! E. z( R+ p& B

wjl

eeshu 发表于 2020-8-3 12:33
是可以，我帖子里就写了复制可以。

3 r  T6 J. O) ^) y& X; c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
3 d, e6 G7 M: wTime used for this section: 0 seconds
! }- ?" n, H/ R" i: |( ?+ JBegin processing data contents...
2 r6 c* e. U9 p6 |  A5 x$ c, xDone!

) o& @' n6 o5 i) A. Q+ J* K6 N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
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
总不能逐页复制粘贴吧？

7 i* ]+ b% C& P! e9 ~$ [5 J不是有ctrl+A全部选定吗

eeshu

1 C" `8 \2 o+ Z( Q( e  f5 \( ]+ U& n

wjl 发表于 2020-8-3 13:13
; ?# D5 K9 w. j3 d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
$ A1 M2 }- Z5 W' G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。
       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？
) l  ]0 a, P" n7 Q9 _4 e
( \; A. k  D* w- c& N% \) a0 KYan 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
谚语词典cut_Caj.txt    2.69M
谚语词典cut_PDF2TXT.txt    1.93M
9 |3 f; N" E/ S7 o8 H谚语词典cut_SumatraPDF.txt    1.03M
谚语词典cut_txtFormat.txt    434.37k
谚语词典cut_Wondershare PDF Converter.txt    2.91M

' O, s, R0 d  ~8 S- c* `& R
" O- m9 c/ F9 K+ i. d: R

+ `% X. D2 b7 m3 I8 [2 g

# H. z* H8 M0 E; E# Y

eeshu

yfz48516 发表于 2020-8-4 04:40
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。