如何从包含在子文件夹中的多个 PDF 文件中提取文本？

Question

我需要整理数以千计的 PDF 文件，这些文件的名称和组织都很糟糕。它们位于一个主文件夹中，但它们存储在各种子文件夹中，我无法更改该文件夹结构。

我的目标是提取所有 PDF 的文本并将其附加到一个大文本文件中，这对于以后的索引很有用。在我的文本文件中，我想在文本文件夹中获取 PDF 文件路径以及每页末尾的@@@@ End of page # 1 @@@@。

文本文档将开始：

@@@@ PDF Filepath : $thefilepath @@@@
.... text ....
.... text ....
.... text ....
@@@@ End of page # 1 @@@@
.... text ....
.... text ....
@@@@ End of page # 2 @@@@
@@@ PDF Filepath : $thenextfilepath @@@@
.... text ....
....
....

谁能帮我解决这个问题？

Answer 1

最明显的方法是简单地遍历文件，使用 readdir 内置函数来获取子文件夹和文件的名称。 对于每个文件，您使用一些 Perl 模块或命令行实用程序（例如 CAM::PDF、Text::FromAny 或 pdftotext）提取文本并将其与 PDF 文件路径一起附加到输出文本文件和页面信息。