linux - pdf 到文本的转换不准确

Question

我几乎尝试了 Linux 上可用的所有 pdf 到文本转换器，但文本的某些部分已损坏/不准确。就像一些字符被其他字符替换一样，pdf 中的文本中缺少一些单词。对于某些单词，转换后的文本包含分号等。

我也尝试了 aspell 以便我可以更正单词，但 aspell 对某些单词保持沉默。

注意:pdf 包含瑞典语文本。

那么，有什么解决方案可以解决 pdf 到文本转换中的这种不准确问题吗？

Answer 1

没有。我认为没有适用于所有 pdf 文件的解决方案，因为显示的可视文本下的实际文本可以以各种形式存储。

例如，当 pdf 由 LaTeX 生成时，它取决于几个配置选项，以及如何嵌入一些非 ascii 字符。有时我得到的是 :o 而不是 ö，有时是 o:，有时字符是直接嵌入的。不过，这些变体中的每一个都显示为 ö。

如果您使用自己喜欢的 pdf 查看器复制并粘贴文本或尝试搜索损坏的词，您可能会看到相同的效果。

要解决这些问题，可以使用 ocr 软件——但在识别这些工具时存在所有缺点。