>我有被扫描的pdf，不能转换为文本，甚至不能在文本编辑器中复制和粘贴为文本。
有没有办法以编程方式或手动将此类扫描的PDF文件转换为TEXT格式？
谢谢
由于文档是扫描的，因此您可能只有一个图像可以使用。您可能对光学字符识别（或OCR）有一些运气。此方法允许您从图像中提取文本数据。
Tesseract是一个流行的引擎，我已经在我的项目中使用它取得了很大的成功。您可以考虑检查一下。
如果您愿意手动转换文本并且不是 100,000 行，您可以随时自己或与队友一起键入所有数据，如果您可以找到繁琐任务的助手。您可以使用出色的 OCR 软件工具来完成这项工作。他们真的走了很长一段路。
如果你想以编程方式做到这一点，请查看Dan Nguyen的本指南，他以前在ProPublica工作。
http://www.propublica.org/nerds/item/doc-dollars-guides-collecting-the-data
他通过医生办公室扫描文件的PDF介绍了他们是如何做到这一点的。他使用Ruby on Rails，并有代码示例，你可以看到他是如何提取数据的：http://www.propublica.org/nerds/item/turning-pdfs-to-text-doc-dollars-guide
我相信ProPublica的一些代码可以在github上找到，所以你可能想在那里分叉他们的代码。