（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
' u# c6 A' B4 X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？

( X+ b# X) E9 r7 b9 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
5 p! S3 F5 U3 X0 Ueeshu :
3 u; y  N+ c5 |- q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
2 u/ ]7 G, {( q好像是pdf裁页拼接出了问题。我再重做一次。

7 T! Z6 Z, U; w: P! X* ]! E# X) r已經處理 OK

wjl

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

. ^4 {# k1 c3 T1 I6 I4 G& q8 kTime used for this section: 0 seconds
Begin processing data contents...
Done!
+ d, ?5 @# n$ o8 E7 ~0 _Original text size = 1159KB, compressed size = 432KB, compression ratio = 37%
Time used for this section: 0 seconds
" g  j1 S, H& l$ P, eNumber of entries: 2783
- z( H( v5 ^( w, A- |Conversion succeed!

去重后2783条
  Q) [5 y' X& Y& C( l
; R3 B6 d7 Z% t& P- L7 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。

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
: c, R- z7 ~. c  D8 \Time used for this section: 0 seconds
: E3 G8 e4 \1 x( {, m; a4 @Begin processing data contents...
Done!

: _$ h) A0 V5 Z. Q  p+ Z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
2 Y: X: m7 W) G% X好的，谢谢。我也重做了，之后比对比对。

, K0 i- P1 q. w' U8 ahttps://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
. G7 W, m. B% a; _& W7 ^! d7 G; G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
/ G% ^8 ^; S7 E不是有ctrl+A全部选定吗

8 d4 t" h1 K2 f3 w6 |8 i- F2 J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
' o7 M0 G% C& Z0 m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。
* Z: O9 j3 S* k" F4 T* t       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？

Yan Yu Ci Dian cut - Wei Zhi.txt    0.97M
谚语词典cut.pdf    61.11M
  T8 x# ?; q& p1 M. U( N; a谚语词典cut_Apabi Reader.txt    2.98M
谚语词典cut_Caj.txt    2.69M
  r) t7 F* ?2 ]谚语词典cut_PDF2TXT.txt    1.93M
1 p1 f1 e! ^/ h9 }0 U谚语词典cut_SumatraPDF.txt    1.03M
. |) {: K$ W* D谚语词典cut_txtFormat.txt    434.37k
谚语词典cut_Wondershare PDF Converter.txt    2.91M

4 J0 P5 G7 G: d# `7 D


1 d% \  ~  j+ ~1 `
, r6 j, U) Q! R8 i. {
# g5 q& l! K* L! u7 ]/ [) A# \9 P# @( Q

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 ...

( C' x8 N. s( y# F( i( i3 b+ ]# k- B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。