XPdf实现pdf转txt格式方法实现_xpdf pdftotext-CSDN博客

本文链接：https://blog.csdn.net/qq_33204444/article/details/52678902

近期在弄一个项目，需要将pdf文档的每一个段落关键字提取出来。很直接的想法就是先将pdf先转成txt，再把txt每个段落抓出来。网上看了下，绝大多数人都是用的pdfbox这个java类库。网上的源码实现很多，大同小异，随便拿一个来用都行。发现转倒是能转，可是原来的pdf格式全不见了是什么鬼，莫名其妙地给我多了很多空格，什么段落顶格全没了，乱七八糟的排版，这样我怎么将txt中的每个段落提取出来啊！！！！

上网查了很久，发现这是个很经典的问题，貌似很多人都是这个问题。pdfbox会自动在某些读取文字中加入一些格式，比如回车、空格等，造成了很不好的效果。什么itext、pdfbox都是这个问题。我甚至去下了一个专门pdf格式转换的软件，转出来的效果那也是一个惨不忍睹（专业的都这样，那还有什么搞头）。就在我决定放弃的时候，看到一篇很古老的博客有说用到XPdf能比较好解决这个问题。那还说什么，马上开始试验。

一、XPDF的配置

1.我下载的是： xpdfbin-win-3.04.zip

另外还需要一个语言包：xpdf-chinese-simplified.tar.gz

2.工作路径设置

在本文中以 c:\xpdftest\xpdf 作为xpdf的工作路径。将 xpdfbin-win-3.04.zip 解压到 c:\xpdftest\xpdf 下。将 xpdf-chinese-simplified.tar.gz 解压到 c:\xpdftest\xpdf\xpdf-chinese-simplified 下。

3.修改配置文件

为了启用中文简体语言包，必须将 xpdf-chinese-simplified 目录下的 sample-xpdfrc 文件进行如下配置，并将其另存为 xpdfrc 文件。

注意：此文件为配置文件，而且名称必须是 xpdfrc 。如果是别的名字，即使调用 pdftotext.exe 时，传入 ” -cfg xpdfrc2 ” 来告诉 xpdf 配置文件的名字，好像 pdftotext.exe 也并没有使用这个配置文件。所以为了减少误解，请您将配置文件直接命名为 xpdfrc 。

修改 sample-xpdfrc 文件之一

在文件后面加上一段话：

Txt代码

#----- begin Chinese Simplified support package (2004-jul-27)
cidToUnicode Adobe-GB1 C:/xpdftest/xpdf/xpdf-chinese-simplified/Adobe-GB1.cidToUnicode
unicodeMap ISO-2022-CN C:/xpdftest/xpdf/xpdf-chinese-simplified/ISO-2022-CN.unicodeMap
unicodeMap EUC-CN C:/xpdftest/xpdf/xpdf-chinese-simplified/EUC-CN.unicodeMap
unicodeMap GBK C:/xpdftest/xpdf/xpdf-chinese-simplified/GBK.unicodeMap
cMapDir Adobe-GB1 C:/xpdftest/xpdf/xpdf-chinese-simplified/CMap
toUnicodeDir C:/xpdf/chinese-simplified/CMap
#displayCIDFontTT Adobe-GB1 /usr/..../gkai00mp.ttf
#----- end Chinese Simplified support package