（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？

/ ?; e; c0 _' E* K) }% T3 G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
9 A0 I8 k' p3 i5 X: D0 _' h0 M8 Ieeshu :
4 ]: P& Y+ N4 ^1 P$ r' ]) N/ `" I重複詞條也太多了.....不知為何如此

  O2 t% N* T* d# @; u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
: N9 @  C- V: Z! F好像是pdf裁页拼接出了问题。我再重做一次。

已經處理 OK

wjl

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

( T) j0 R/ h# j1 zTime used for this section: 0 seconds
7 x/ f4 K7 F+ S) z6 R6 P* oBegin processing data contents...
Done!
; A' p- [- s9 J0 _# G3 m" u, q9 J3 S" dOriginal text size = 1159KB, compressed size = 432KB, compression ratio = 37%
2 p+ j' G; o: X, J8 @Time used for this section: 0 seconds
2 e3 H9 e( H3 J1 P9 aNumber of entries: 2783
' O& u* O+ b. x8 J) X% p% zConversion succeed!

6 x/ S' h/ y6 Z# t去重后2783条

/ p/ Y  Z$ {: z  u; k# p  z' V

wjl

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

# F9 o+ Q$ b# S# s" ]# A( c3 P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
Time used for this section: 0 seconds
. ]% [! N# @3 u$ V5 I1 |Begin processing data contents...
Done!

# A3 }$ q+ C0 P' F9 u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
0 }5 a7 v1 G6 Z+ X2 H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
4 X7 b$ F2 e3 C5 U, z7 i5 m/ n1 v, A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
! n" O2 X. X5 Y" J& x& T1 A& {总不能逐页复制粘贴吧？

& H4 ?  u6 t6 l8 P$ A2 e不是有ctrl+A全部选定吗

eeshu

" x* k2 Y1 P6 a. n& @3 r/ a( h

wjl 发表于 2020-8-3 13:13
不是有ctrl+A全部选定吗

3 E0 h2 P1 ?% \8 _" S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
: L8 [2 J- r( M; b8 \7 ^已经上传链接：https://pan.baidu.com/s/1sapNgJXdDx6cRueVIKVP3g
! i7 k5 z4 r, O# R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。
0 Q( D6 u6 l* z; n* {3 d       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。
8 K$ }: F# b7 I       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？

Yan Yu Ci Dian cut - Wei Zhi.txt    0.97M
3 c- }' o% U- P" i1 r8 p+ y) v谚语词典cut.pdf    61.11M
) w; D2 d( k3 d/ N# P' T$ ]; ]% c谚语词典cut_Apabi Reader.txt    2.98M
7 t& @/ k0 k  g; j* ?! V谚语词典cut_Caj.txt    2.69M
谚语词典cut_PDF2TXT.txt    1.93M
谚语词典cut_SumatraPDF.txt    1.03M
9 V1 g$ @/ k( k. [, Q$ X& _谚语词典cut_txtFormat.txt    434.37k
* H& [# w* O8 B, |9 V3 L) a) i谚语词典cut_Wondershare PDF Converter.txt    2.91M
/ X2 x3 z5 B) n- I



2 g& l3 u9 n- [+ C3 L
& j, H- N4 O" r; \; Y0 s

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 ...

$ @$ M/ C. z! U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。