将大型 PDF 转换为文本的方法

Question

任何人都可以建议一种以编程方式将大型（100MB-4GB）PDF转换为文本的方法或库吗？

我通常使用 pdftotext （poppler-utils），但它为大文件显示"内存不足"消息，并且输出文本文件中只有前 6000 页左右

。也许有

一种方法可以将这些PDF拆分然后运行pdftotext，也许有方法可以在不占用内存的情况下成功运行更昂贵的调用，也许另一个库是最好的......基本上，我很想听听你的建议。谢谢大家！

Answer 1

我们正在从PDF解析报纸和杂志并将它们转换为JPEG，不完全相同，但是在打开和解析时，我们使用imagemagick/ghostscript时，我们在内存中遇到了同样的问题。

我们的解决方案是将它们分成 10 页以下的批次，一次解析一个批次，然后将结果按顺序排列，或者将文本附加到存储它的位置。

如果pdftotext不支持，您可以使用imagemagick/ghostscript将它们拆分为较小的PDF。

Answer 2

因为输入PDF文件中有数千页。每个页面可能包含文本、图像和其他对象，这些对象经过解压缩，可能占用多达 x2 或更多内存。

因此，您可以将文件拆分为 3000 页，如下所示：

1. 使用 拆分源 PDF 文件

   • 通过 PDFSplit 脚本从命令行使用 Ghostscript：

pdfsplit input.pdf 1 3000 output1-3000.pdf

pdfsplit input.pdf 3001 6000 output3001-6000.pdf

2. 运行pdftotext将pdf转换为文本文件;

3. 最后合并输出文件：

cat output1-3000.txt output3001-6000.txt > output-all-pages.txt

您也可以在步骤（1）中使用PDFSam实用程序手动拆分文件。