【发布时间】：2013-11-28 08:18:44
【问题描述】：
我有几百个 PDF 文件，我需要从中提取部分文本。对于许多人来说，pdftotext 可以正常工作，但对于其他人来说，它会遗漏大部分文本。如果我在 Acrobat 中打开 PDF 并手动选择该文本并将其复制/粘贴到 emacs 中，然后查看没有编码的文件，我会得到如下内容：
Husband \364\200\200\272\364\200\201\213\364 etc.
如何正确提取文本？
我应该提到我已经尝试从 Acrobat 中另存为文本；还尝试在复制前应用 Acrobat 的 Document=>OCR 功能。
【问题讨论】：
-
您是否阅读了右侧相关栏中的所有链接？要获得问题的规模和缺乏普遍的普遍解决方案？也许如果您发布示例，有人可能会针对您的特殊情况提出解决方案。而且，要使 OCR 工作，您应该首先光栅化文件。
-
感谢@VadimR，这些建议很有帮助。
标签： pdf character-encoding text-extraction