（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
8 x  g" a$ q  V) x+ K$ H0 J% y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？

9 [# _# a) Y1 q" l$ X8 Z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 :
重複詞條也太多了.....不知為何如此

! t2 z8 {' y# O; I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
* `8 c1 H, ~+ C; x) 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
6 l' h% d# ~* i# n2 Y" P# p  o2 \6 feeshu :
  _+ D6 ?# {( {- ]重複詞條也太多了.....不知為何如此

7 }/ ]1 s1 D7 L# sTime used for this section: 0 seconds
/ b2 Y( O2 B0 V$ T( |Begin processing data contents...
. g2 u! ?" K. DDone!
5 n, a9 B6 a2 d- R- QOriginal text size = 1159KB, compressed size = 432KB, compression ratio = 37%
6 B" N& o! A  \: l/ ~Time used for this section: 0 seconds
' r$ D4 i5 z/ q1 h# o) kNumber of entries: 2783
Conversion succeed!
% r* ~$ m! S2 p
去重后2783条

' M( v$ x. n! [2 a

wjl

eeshu 发表于 2020-8-3 12:33
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
; j" l* I+ _; M0 _Time used for this section: 0 seconds
Begin processing data contents...
; L' Z! q! S+ A* |Done!

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
# g4 [$ `( A. h; Z( c) V% F* N  J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？

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
) L8 E8 h. t; B  u8 k提取码：kz89，请试试你的各种法宝。 ...

: Y+ T8 }; S* h" ?       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。
7 {. a) E- ]4 \% ~) M2 G% X$ P       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？
. x9 _6 g; b8 O9 a5 i
0 J7 k* J) Q# p& ?8 lYan Yu Ci Dian cut - Wei Zhi.txt    0.97M
谚语词典cut.pdf    61.11M
' r( W0 g7 O3 {9 K0 s7 n谚语词典cut_Apabi Reader.txt    2.98M
谚语词典cut_Caj.txt    2.69M
( t6 E2 _( b, \谚语词典cut_PDF2TXT.txt    1.93M
谚语词典cut_SumatraPDF.txt    1.03M
+ Q$ i' a# g  ?6 |$ t  p6 h谚语词典cut_txtFormat.txt    434.37k
. x- X5 Z: s  `3 K0 r) }谚语词典cut_Wondershare PDF Converter.txt    2.91M
' n: ^- ~/ Z: n: \2 ?
$ g; T) L, C& S
) [3 B! p  ~$ j4 z6 e0 F

) W4 z' P: h, I' y2 f
6 V9 y( k; [* u3 @! L- L
; G" v" B. A) U

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 ...

. E. Q1 g) ~( k( P: u* w# a& H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。