（已解决）什么软件能将文字版pdf中的文本完整提取出来？

eeshu

wjl 发表于 2020-8-3 12:10
我这里测试的在Adobe Acrobat DC中全选、复制、粘贴就可以了呀，起码第一页没问题，你那里不行吗？

, v  i% h$ G' Z7 K1 k2 Y7 f是可以，我帖子里就写了复制可以。

eeshu

喬治兄 发表于 2020-8-3 11:58
eeshu :
重複詞條也太多了.....不知為何如此

; m7 @3 y& r2 Z5 P7 _好像是pdf裁页拼接出了问题。我再重做一次。

喬治兄

eeshu 发表于 2020-8-3 12:34
好像是pdf裁页拼接出了问题。我再重做一次。

5 a% b; H- B* m3 _已經處理 OK

wjl

喬治兄 发表于 2020-8-3 11:58
9 B- f8 }$ R% ieeshu :
: e: W# l& N# e重複詞條也太多了.....不知為何如此

Time used for this section: 0 seconds
0 k# o0 i1 D$ H( f) F, \' vBegin processing data contents...
" p& z2 }5 z, d4 FDone!
Original text size = 1159KB, compressed size = 432KB, compression ratio = 37%
& x  d5 t0 F2 X- Q- Z0 |Time used for this section: 0 seconds
Number of entries: 2783
/ g+ w1 V1 o4 R# v) s+ C7 j- hConversion succeed!
6 p) A9 x2 L9 x2 P- w
; o7 v; D5 h, `$ s( F去重后2783条
0 @( X5 P0 [% M& ^# i( P- E
; i, a, d1 b7 }9 g6 d3 H  M- t

wjl

eeshu 发表于 2020-8-3 12:33
是可以，我帖子里就写了复制可以。

不明白复制粘贴就能解决的问题，为啥还要找软件处理

eeshu

wjl 发表于 2020-8-3 13:00
; W* D% H' e* X! m4 dTime used for this section: 0 seconds
% j4 F! R  J! B% T' qBegin processing data contents...
7 W" G& J, X- ^& }! D# E& `Done!

, H2 Z8 L( [. b- z& Y好的，谢谢。我也重做了，之后比对比对。

喬治兄

eeshu 发表于 2020-8-3 13:03
好的，谢谢。我也重做了，之后比对比对。

https://www.pdawiki.com/forum/fo ... p;extra=#pid1960898

eeshu

wjl 发表于 2020-8-3 13:03
不明白复制粘贴就能解决的问题，为啥还要找软件处理

总不能逐页复制粘贴吧？

wjl

eeshu 发表于 2020-8-3 13:09
, h- j. o' p, Z总不能逐页复制粘贴吧？

7 Q& j) f! q4 Z7 x8 {0 t不是有ctrl+A全部选定吗

eeshu

, Q+ C" b. Z- N% ^+ a5 Y1 Q2 }; X

wjl 发表于 2020-8-3 13:13
. E( c. x/ G7 ]) u不是有ctrl+A全部选定吗

我的内存没有这么大。而且ctrl+A可以跨页复制吗？

yfz48516

eeshu 发表于 2020-8-3 10:26
& \4 L+ o& N! y. e7 d已经上传链接：https://pan.baidu.com/s/1sapNgJXdDx6cRueVIKVP3g
7 R* G% e/ p9 e- F+ A& E; L提取码：kz89，请试试你的各种法宝。 ...

       楼主试过的acrobat、foxit和smallpdf软件，我就没有试，我用了如下软件：Apabi Reader、Caj、SumatraPDF、Calibre、PDF2TXT、txtFormat和Wondershare PDF Converter，前三种和最后一种成功转换，Calibre、PDF2TXT和txtFormat失败——根本没有汉字！文件也是最小的三种；原文件和转换后的文本文件列于下，文本压缩包见附件。
. \4 a* m" x% k3 b) a/ V       从转换效果来看，Apabi Reader和SumatraPDF最好，基本与原文一致，Caj次之，Wondershare PDF Converter转换的每个汉字之间均有空格。Caj是这几个软件中唯一能正确双栏显示Pdf的，其他几个都只显示单栏；Calibre名气不小，而且支持的格式最多，但这次失败了；PDF2TXT批量转换较快，但经常有乱码。
9 }3 _( l6 x0 ~& ^- s       另外，我在将带有表格的Htm（Html）转换为Txt文本中，试过多种方式，往往都难以保持表格对齐的格式，似乎除了很老的Netscape 4.05浏览器，现在流行的各种浏览器都不能正确地把网页存为保持表格格式的Txt文本，但Netscape上个世纪末被微软挤垮后再无踪影了， 虽然它无法支持今天的很多网页，但有这个优点，我仍然把它放在硬盘上备用。这个问题，不知各位大神有无高招？
$ H  K6 R; Q( T& H5 ?
7 _4 `7 E  t/ l" ZYan Yu Ci Dian cut - Wei Zhi.txt    0.97M
0 }, f8 S5 k* ~* d; S5 p3 B谚语词典cut.pdf    61.11M
谚语词典cut_Apabi Reader.txt    2.98M
谚语词典cut_Caj.txt    2.69M
谚语词典cut_PDF2TXT.txt    1.93M
0 z" V  R* U4 v! h& H谚语词典cut_SumatraPDF.txt    1.03M
1 u+ ^" L9 R$ Q5 l谚语词典cut_txtFormat.txt    434.37k
谚语词典cut_Wondershare PDF Converter.txt    2.91M
* m$ r0 ~' f/ C6 E6 j) G" C
# o2 e! O$ r) {* J  x, i/ Z

* t2 R4 f5 m7 n( N# I

eeshu

yfz48516 发表于 2020-8-4 04:40
楼主试过的acrobat、foxit和smallpdf软件，我就没有试，我用了如下软件：Apabi Reader、Caj、Suma ...

3 b. N" ?  R2 g3 e0 X哇，辛苦你了。昨晚我换了台性能好些的电脑，可以直接复制全书内容。对于文字版pdf，这是最保险的方式。当然，格式没有，光有内容。