linux - 基于列拆分文本文件

Question

所以我有一张发票需要据此进行报告。平均长度约为 250 页。因此，我正在尝试创建一个脚本来提取发票的具体值并生成报告。这是我的问题:

1. 发票为 PDF 格式，分为两栏。在Linux命令中，我想使用“pdftotext”Linux命令转换为多个文本文件(每个txt文件代表每个pdf页面)。我该怎么做
2. 我认识到“pdftotext”命令将页面的左侧部分和右侧部分分开，中间有 21 个空格。如何将数据的右侧(连续读取至少 21 个空格后识别)到文件末尾
3. 由于文件很大，而且我只删除了文件的最后几页，因此如何删除脚本中的所有这些文本文件(不是手动)，直到我读取关键字(假设关键字 = Start Invoice)？

我知道这有很多问题，但我对 Linux 命令可以做什么感到困惑。你们能引导我走向正确的方向吗？谢谢

PS:我使用的是CentOS 5.2

Answer 1

关于:

pdftotext YOUR.pdf | sed 's/^\([^ ]\+\) \{21\}.*/\1/' > OUTPUT
pdftotext YOUR.pdf | sed 's/.* \{21\}\(.*\)/\1/' >> OUTPUT

但是您也应该查看 pdftotext 的 -raw 和 -layout 选项。还有更多方法可以做到这一点...