OSX、Homebrew 的pdftotext作品，但它不尊重段落分隔符。我已经尝试过-pagebrk、-eol mac或-eol unix，但划分段落的问题似乎始终存在。这是一个典型的问题吗？
答案1
PDF 是很奇怪的东西，其中的文本不一定按任何合理的顺序排列。
尝试 pdftotext 的-layout选项。
根据 PDF，这可能会为您提供一个多列文本文件，该文件完全可读（尤其是在具有超过 80 列的宽屏显示器上），但单列文本可能更有用。
--
我发现将多列文本转换为单列的最简单方法是使用 vim 编辑文本，在列之间插入 TAB，然后编写一个 perl 脚本将列合并为每页上的一列（页面由换页符，^L)。这可能非常耗时且乏味。
我第一次尝试编写一个 Perl 脚本来执行此操作，试图通过列之间的空格字符数来识别列，但不幸的是，这从 1 或 2 个空格字符到 5 个或更多（而且还有一个事实是）有些列需要额外的空格），因此没有自动方法来区分单词之间的正常间距和列之间的间距。它完全无法处理pdftotext输出中的表。
手动编辑和插入 TAB 字符并拆分列要容易得多，vi/vim 使这样的重复编辑任务变得相当容易：找到一个方便的光标位置来插入 TAB，按下Ctrl-V并将光标向下移动到底部您正在编辑的页面或部分，然后按rTAB将选定的 vim 列替换为制表符。
最后，在您的评论中，您提到在输出文本中看到 Unicode 字符“右单引号”（U+2019）。这完全正常，许多（大多数？）PDF 中都嵌入了 Unicode 字符（例如智能引号、破折号和省略号等），因为它们不仅限于 ASCII 字符
答案2
我创建了这个简单的单行代码，它可以做一些有用的事情，但请记住，PDF 很奇怪并且并不总是有效。
sed 's/\.$/.\n/; s/• /\n/; /^[0-9]/ s/$/\n/' | perl -00 -pe 's/\n(?!\Z)/ /g'
- 如果句子中有句号，sed 命令会添加一个新行，因为这可能是段落的结尾。（这个假设已经失败了很多次。）
- 如果遇到逐项列表，请添加额外的新行。
- 如果一行以数字开头，则可能是标题，请添加新行。
现在，只要有一组用换行符分隔的行，它就可能是一个段落。 perl 命令会将这些组放在一行上。这个 Perl 一行代码的解释如下：
https://unix.stackexchange.com/a/479229/245582
注意。我使用 Debian 的 pdftotext popper-utils。