☰

pdftotext 不输出希伯来字符

tag-icon • tag-icon linux pdf encoding
pdftotext 不输出希伯来字符

我在用着pdf的pdf转文本从 Ubuntu 上的一些希伯来语 pdf 文件中获取文本。

在我的本地机器上，这工作得很好。然后我尝试在另一台机器上执行此操作，但希伯来语字符没有显示在文本文件中。我确认我有语言包（请参阅下文我为什么这么认为）。我还可以在哪里查找问题？

>> tail -2 /etc/xpdf/xpdfrc
include /etc/xpdf/includes

>> cat /etc/xpdf/includes
# This file was automatically generated by /usr/sbin/update-xpdfrc.
# Instead, add or remove files in /etc/xpdf/ then run
# /usr/sbin/update-xpdfrc to regenerate this file.
include /etc/xpdf/xpdfrc-latin2
include /etc/xpdf/xpdfrc-thai
include /etc/xpdf/xpdfrc-greek
include /etc/xpdf/xpdfrc-turkish
include /etc/xpdf/xpdfrc-arabic
include /etc/xpdf/xpdfrc-hebrew
include /etc/xpdf/xpdfrc-cyrillic

>> cat /etc/xpdf/xpdfrc-hebrew
#----- begin Hebrew support package (2003-feb-16)
unicodeMap  ISO-8859-8  /usr/share/xpdf/hebrew/ISO-8859-8.unicodeMap
unicodeMap  Windows-1255    /usr/share/xpdf/hebrew/Windows-1255.unicodeMap
#----- end Hebrew support package

>> ls /usr/share/xpdf/hebrew/
ISO-8859-8.unicodeMap  Windows-1255.unicodeMap

答案1

幸运的是，友好的 Ubuntu 用户让安装语言变得非常简单。只需在 shell 中输入以下命令：

sudo apt-get install language-support-he language-pack-he

您会注意到它为许多其他子系统（例如 HSpell、Myspell 和 PostgreSQL）添加了希伯来语支持，并且还安装了一些希伯来语字体。

为了达到更好的效果，请安装以下希伯来字体：

sudo apt-get install culmus culmus-fancy xfonts-efont-unicode xfonts-efont-unicode-ib xfonts-intl-european msttcorefonts

最后，确保在运行 pdftotext 时指定 UTF-8 编码格式，因为它可能无法自动检测您的源：

pdftotext -enc UTF-8 input.pdf output.txt

答案2

你应该看看TET，文本提取工具包由 PDFlib.com 提供（由《PostScript 和 PDF Bible》的作者 Thomas Merz 运营）。

TET 主要是一个用于其他 PDF 处理应用程序的库，但它们也……

  • ...在其基础上构建了一个强大的命令行工具，称为“TET iFilter”（免费啤酒）；
  • ...构建了一个 Acrobat 插件（免费）

这个可以从 PDF（包括 CJK、希伯来语、阿拉伯语）中提取非 ASCII 文本，将连字符恢复为其原始字符对或三个字符，并且总体上它可以超越 Adob​​e 自己的文本提取功能……

它适用于 Windows、Linux、Mac OS X 和各种 Unix 系统。

相关内容