pdf - 从 PDF 中提取文本内容

Question

我一直在使用 pdftotext 从 PDF 中提取文本。我也用 Ghostscript 做过这个。最近，一家实用程序提供商更改了他们的 PDF，因此这些方法无法提取其中的一部分。具体来说，我错过了截止日期和总截止日期。当我在阅读器中打开 PDF 时，“丢失”的文本可以突出显示、复制并粘贴到外部编辑器中。当我在 Acrobat Pro 中打开它并查看内容(查看 -> 显示/隐藏 -> 导航 Pane -> 内容)时，我需要的文本就在那里。不手动复制粘贴如何才能取出来呢？ (这不是一个选项，因为我将在数千个 PDF 上执行此操作)？

这是我正在处理的一个例子。我已删除所有敏感数据:

link to PDF

编辑:我在发布此内容后注意到，当您点击该文件的链接(托管在 Google 云端硬盘上)时，它将允许您选择并复制页面上的大部分文本，但不能选择和复制我丢失的内容。下载文件后，您可以在 PDF 阅读器中选择缺失的文本。

Answer 1

最近发布的 Ghostscript 有一个 txtwrite 设备，可能值得尝试。