PDF转TXT实现PDF文本抽取

问题描述

在处理文本数据时，经常会遇到需要将PDF转换为txt的情况，在线转换工具在速度和数量上有限制，现成的免费可批量转换的易用软件比较少，怎么破，博主是在Ubuntu系统上处理数据，所以便想到了使用现成的linux工具，在命令行高效完成。

解决办法

Ubuntu下安装xpdf工具，命令如下：
sudo apt-get update && sudo apt-get install -y xpdf
其他unix系统的安装方法类似

使用命令行将PDF转换为txt，命令如下：
pdftotext -layout input.pdf output.txt

上述命令是转换单个PDF文件，但是我们要批量转换，怎么办呢，直接用写一个遍历PDF文件夹的shell脚本，循环执行上述命令即可，在PDF文件夹中执行如下shell命令，即可实现批量转换，速度很快哦：
for file in *.pdf; do pdftotext -layout "$file" "$file.txt"; done

参考资料

[1] https://docs.bitnami.com/bch/apps/resourcespace/configuration/install-pdftotext/
[2] https://askubuntu.com/questions/52040/is-there-a-better-pdf-to-text-converter-than-pdftotext/307789#307789