当我将文本从 PDF 文件复制到文本编辑器中时，文本会以各种方式被破坏。粗体和斜体等格式会丢失；文本段落中的软换行符会转换为硬换行符；用于将单词拆分为两行的破折号会保留下来，即使它们不应该保留；单引号和双引号会替换为 ? 符号。
理想情况下，我希望能够从 PDF 复制文本并将格式转换为 HTML 代码，将“智能引号”转换为“和'，并正确完成换行。有什么办法可以做到这一点吗？
答案1
首先，你必须了解 PDF 是什么。PDF 旨在模仿印刷页面，并且其设计目的是仅有的作为输出格式，而不是输入格式。PDF 基本上是一张包含字符（单个字母或标点符号等）或图像的精确位置的地图。在多数情况下，PDF 甚至不存储有关单词一个段落结束，另一个段落开始，更不用说段落结尾的软断行与硬断行之类的东西了。
（最近的一些 PDF 确实存储了一些有关此内容的信息，但这是一项新技术，如果能找到这样的 PDF，那就算幸运了。即使找到了，您的 PDF 查看器也可能不知道。）
无论如何，这取决于您的软件是否能够实现某种“人工智能”，仅从单个字符的位置中提取出什么是单词、什么是段落等等。不同的软件会比其他软件做得更好，这也取决于 PDF 的制作方式。无论如何，您应该绝不期望获得完美的结果。输出 PDF 与源文档不同。如果可以，最好尝试获得输出 PDF。
解决此类问题的标准方法是使用 Adobe Acrobat Professional（价格昂贵，不是免费阅读器）将 PDF 转换为 HTML。即使这样也无法获得完美的结果。
有免费软件可用于从 PDF 中提取文本，并保留部分格式，但同样，不要期望获得完美的结果。例如，calibre（可以转换为 RTF 格式），pdftohtml/pdfreflow或者AbiWord 文字处理器（启用所有导入/导出插件）。还有一个适用于 OpenOffice 的 PDF 导入插件。
但请不要期望这些结果都是完美的。你在这里违背了常理。PDF 并不是可编辑的输入格式。
答案2
另一个选择是下载并开始使用免费的 PDF 查看器 Foxit（它很好）。然后您可以“另存为”并选择 .txt 将其转换为文本文件。这将保留所有格式。不知道您是否可以在 Adobe 中执行相同操作，因为我转换到 Foxit 后不久就停止使用它了。
答案3
有一个很好的在线工具叫塞达。它处理高级 PDF 操作。无需下载软件。因为它是新的在线工具目前仍处于测试阶段。它允许您从 PDF 中提取文本，并提供大量其他 PDF 功能
2012 年 11 月 14 日，第 3 次修订版对 sejda 功能进行了简短的视频回顾，可在此处找到：
答案4
您可以为此使用 Adobe Acrobat Pro。
对于表格：Acrobat 9/10 有一个选择表格功能。使用 Acrobat X，您只需单击另存为 > 电子表格 > Excel。它甚至可以将页面连接成一个长电子表格。很棒的功能。
对于文本：导出到 MS Word 时也存在类似的功能。另存为 > Word > Word Doc。
资料来源：