我使用 linux 函数将 PDF 文件列表转换为文本。
命令：
pdftotext -htmlmeta
这适用于我的大多数文件。
但对于其中的一小部分，这会返回一个空白文本文件。
我未成功的完整 pdf 文件未加密，未通过用户/密码保护，也不是只读的。
【问题讨论】：
pdftotext file.pdf 不会输出到stdout，它会将 .txt 保存在与 pdf 文件相同的目录中。要转储到stdout，请使用pdftotext file.pdf -
将 PDF 转换为文本并不是一个定义明确的过程。根据 PDF 输入，它可以工作得很好，也可以根本不工作。
这是为什么？因为 PDF 的任务主要是表示文档的光学，而不是文本内容。 PDF 可以是从带有位置信息的纯文本到纯文本字母字形图形的所有内容。在后一种情况下，需要在输入上运行 OCR 才能接收文本信息。 pdftotext 之类的工具无法做到这一点。
有时 PDF 中的文本分散在整个文件中，例如。 G。因为首先在 PDF 中提到了所有标准字体字母，然后在文件的后面，提到了所有斜体字体字母（当然还有位置信息，所以光学表示的读者不会注意到这一点，即使标准和斜体混合在整个页面上的文本中）。将这种混乱重新排列成流畅的文本是一项主要任务，不是很多转换器能够完成的。
所以我想你所能做的就是尝试更多的 PDF 到文本的转换器（有些比其他更好，有些更适合某些特定的输入），或者看看你可以从 PDF 之外的其他来源获取文本文件。
【讨论】：