pdf2txt - ออนไลน์ในคลาวด์

โครงการ:

ชื่อ

pdf2txt - แยกเนื้อหาข้อความของไฟล์ PDF

เรื่องย่อ

pdf2txt [ตัวเลือก... ] ไฟล์...

DESCRIPTION

pdf2txt แยกเนื้อหาข้อความจากไฟล์ PDF มันแยกข้อความทั้งหมดที่จะ
แสดงผลโดยทางโปรแกรม กล่าวคือ ข้อความที่แสดงเป็นสตริง ASCII หรือ Unicode มันไม่สามารถ
จดจำข้อความที่วาดเป็นรูปภาพที่จะต้องมีการรู้จำอักขระด้วยแสง นอกจากนี้ยัง
แยกตำแหน่งที่สอดคล้องกัน ชื่อฟอนต์ ขนาดฟอนต์ ทิศทางการเขียน
(แนวนอนหรือแนวตั้ง) สำหรับแต่ละส่วนของข้อความ คุณต้องระบุรหัสผ่านสำหรับ
ป้องกันเอกสาร PDF เมื่อการเข้าถึงถูกจำกัด คุณไม่สามารถแยกข้อความใด ๆ ออกจาก a
เอกสาร PDF ที่ไม่ได้รับอนุญาตให้ดึงข้อมูล

OPTIONS

-o ไฟล์
ระบุชื่อไฟล์เอาต์พุต ค่าเริ่มต้นคือการพิมพ์เนื้อหาที่แยกออกมาไปยัง
เอาต์พุตมาตรฐานในรูปแบบข้อความ

-p เพจโน[,เพจโน,...]
ระบุรายการที่คั่นด้วยเครื่องหมายจุลภาคของหมายเลขหน้าที่จะแยก เลขหน้า
เริ่มต้นที่หนึ่ง โดยค่าเริ่มต้น จะแยกข้อความจากทุกหน้า

-c ตัวแปลงสัญญาณ
ระบุตัวแปลงสัญญาณเอาต์พุต

-t ชนิด
ระบุรูปแบบเอาต์พุต ปัจจุบันรองรับรูปแบบต่อไปนี้:

ข้อความ
รูปแบบข้อความ นี่คือค่าเริ่มต้น

HTML
รูปแบบ HTML ไม่แนะนำ

XML
รูปแบบ XML ให้ข้อมูลมากที่สุด

แท็ก
รูปแบบ “แท็ก PDF” PDF ที่ติดแท็กมีเนื้อหาของตัวเองที่มีคำอธิบายประกอบด้วย HTML-like
แท็ก pdf2txt พยายามแยกกระแสเนื้อหาแทนที่จะอนุมานข้อความ
สถานที่ แท็กที่ใช้ในที่นี้มีการกำหนดไว้ใน รูปแบบไฟล์ PDF อ้างอิง, ที่หก ฉบับที่[1]
(§10.7 “แท็ก PDF”)

-D การเขียนโหมด
ระบุโหมดการเขียนของเอาต์พุตข้อความ:

lr-tb
ซ้ายไปขวา บนลงล่าง.

tb-rl
บนลงล่าง ขวาไปซ้าย

รถยนต์
กำหนดโหมดการเขียนโดยอัตโนมัติ

-M ขอบถ่าน, -L ระยะขอบ, -W ระยะขอบคำ
เหล่านี้เป็นพารามิเตอร์ที่ใช้สำหรับการวิเคราะห์เค้าโครง ในไฟล์ PDF จริง text
ส่วนต่าง ๆ อาจแบ่งออกเป็นหลาย ๆ ส่วนในระหว่างการทำงาน ขึ้นอยู่กับ
ซอฟต์แวร์การเขียน ดังนั้น การแยกข้อความจำเป็นต้องประกบส่วนของข้อความ ใน
รูปด้านล่าง ส่วนข้อความสองส่วนที่มีระยะห่างใกล้กว่า ขอบถ่าน is
ถือว่าต่อเนื่องและจัดกลุ่มเป็นหนึ่งเดียว อีกทั้งเส้นสองเส้นที่มีระยะห่าง
ใกล้กว่า ระยะขอบ ถูกจัดกลุ่มเป็นกล่องข้อความ ซึ่งเป็นพื้นที่สี่เหลี่ยมที่
มี "คลัสเตอร์" ของส่วนข้อความ นอกจากนี้ อาจจำเป็นต้องใส่ช่องว่าง
อักขระ (ช่องว่าง) ตามความจำเป็นหากระยะห่างระหว่างคำสองคำมากกว่า
ระยะขอบคำ, เนื่องจากช่องว่างระหว่างคำอาจไม่แสดงเป็นช่องว่าง แต่
โดยระบุตำแหน่งของแต่ละคำ

แต่ละค่าไม่ได้ระบุเป็นความยาวจริง แต่เป็นสัดส่วนของความยาวถึง
ขนาดของแต่ละอักขระที่เป็นปัญหา ค่าเริ่มต้นคือ ขอบถ่าน = 1.0,
ระยะขอบ = 0.3 และ W = 0.2ตามลำดับ

-n
ระงับการวิเคราะห์เค้าโครง

-A
บังคับวิเคราะห์เลย์เอาต์สำหรับสตริงข้อความทั้งหมด รวมถึงข้อความที่อยู่ในรูป

-V
เปิดใช้งานการตรวจจับการเขียนแนวตั้ง

-s ขนาด
ระบุมาตราส่วนเอาต์พุต ตัวเลือกนี้สามารถใช้ได้ในรูปแบบ HTML เท่านั้น

-m n
ระบุจำนวนหน้าสูงสุดที่จะแยก ตามค่าเริ่มต้น หน้าทั้งหมดใน a
เอกสารถูกดึงออกมา

-P รหัสผ่าน
ระบุรหัสผ่านผู้ใช้เพื่อเข้าถึงเนื้อหา PDF

-d
เพิ่มระดับการดีบัก

ตัวอย่าง

แยกข้อความเป็นไฟล์ HTML ที่มีชื่อไฟล์เป็น output.html:

$ pdf2txt -o output.html ตัวอย่าง/naacl06-shinyama.pdf

แยกไฟล์ HTML ภาษาญี่ปุ่นในการเขียนแนวตั้ง:

$ pdf2txt -c euc-jp -D tb-rl -o output.html ตัวอย่าง/jo.pdf

แยกข้อความจากไฟล์ PDF ที่เข้ารหัส:

$ pdf2txt -P รหัสผ่านของฉัน -o output.txt secret.pdf

ใช้ pdf2txt ออนไลน์โดยใช้บริการ onworks.net