这是一个创建于 1220 天前的主题，其中的信息可能已经有所发展或是发生改变。
不需要 OCR 的，都是完全电子版的 PDF 文件。
最好是用脚本的比如 python，尝试过 pdfminer 感觉性能很弱鸡，鲁棒性也不够（也可能是我用的不对？在一个 1 核 2G 的云服务器上跑 50 页左右的，经常被强制 KILL ）；
实在不行也可以用软件，但是必须要能批量（手头文件很多）
谢谢大噶，被一个小需求烦死了，感觉市面上解决方案不多。
 |
1
kkocdko 2021-07-22 00:58:26 +08:00 via Android
pdf.js 渲染然后 innerText
没试过，不知道行不行。另外能本地完成为啥要在服务器上跑 |
 |
2
ikas 2021-07-22 01:03:38 +08:00
Apache Tika...只是用过
|
 |
3
felixcode 2021-07-22 01:08:37 +08:00 via Android
用 calibre 的命令行工具转换
|
 |
4
reallittoma 2021-07-22 08:49:14 +08:00
可以用 Ghostscript
|
 |
5
Latin 2021-07-22 09:01:50 +08:00
|
 |
6
zjsxwc 2021-07-22 09:11:55 +08:00
gs -sDEVICE=txtwrite -o output.txt input.pdf
|
 |
7
cnoder 2021-07-22 10:16:55 +08:00
unoconv 我们生产环境的转换用的这个
|
 |
8
goxxoo 2021-07-22 10:36:33 +08:00
pdf 2000 页的路过 ，才 50 页，不存在性能问题
|
Select Language