谁能推荐一种方法或库以编程方式将大型 (100MB-4GB) PDF 转换为文本？
我通常使用 pdftotext (poppler-utils)，但对于大文件，它会显示“内存不足”消息，并且输出文本文件中只有前 6000 页左右。
也许有一种方法可以将这些 PDF 拆分然后运行 pdftotext，也许有一些方法可以在不占用内存的情况下成功运行更昂贵的调用，也许另一个库是最好的......基本上，我很想听听你的建议.谢谢大家！
【问题讨论】：
标签： pdf text text-extraction pdftotext
我们正在从 PDF 解析报纸和杂志并将它们转换为 JPEG，不完全相同，但是在打开和解析但使用 imagemagick/ghostscript 时，我们遇到了同样的内存不足问题。
我们的解决方案是将它们分成 10 页以下的批次，一次解析一个批次，然后按顺序排列结果，或者将文本附加到存储它的任何位置。
如果 pdftotext 不支持，您可以使用 imagemagick/ghostscript 将它们拆分为更小的 PDF
【讨论】：
因为您在输入 PDF 文件中有数千页。每个页面可能包含解压缩的文本、图像和其他对象，并且可能占用 x2 或更多内存。
因此您可以将文件分成 3000 页，如下所示：
使用分割源 PDF 文件
pdfsplit input.pdf 1 3000 output1-3000.pdf
pdfsplit input.pdf 3001 6000 output3001-6000.pdf
运行pdftotext将pdf转换为文本文件；
然后最后合并输出文件：
cat output1-3000.txt output3001-6000.txt > output-all-pages.txt
您也可以在步骤 (1) 中使用 PDFSam 实用程序手动拆分文件。
【讨论】：