pdftotextよりも優れたpdf to textコンバータがありますか？

pdftotext（poppler-utilsの一部）を使用して、PDFドキュメントをテキストに変換しています。大部分は機能しますが、私がしたいことの1つは、別々の段落をつなぎ合わせるのではなく、空白行を挿入することでした。

これを行うためにpdftotextを取得する方法はありますか？そうでない場合、これを行うことができる別のpdf to textユーティリティがありますか？

Calibreebook-convertから試すことができます。

どちらかといえば、それは他の方向に間違っていると言います：あまりにも多くの改行。

しかし、私が間違いなく検討したいもう1つのことは、pdfreflowを使用してHTMLに変換し、次にHTMLをTXTに変換することです。

使用している場合はpdftotextを、あなたは使用することができ-layout、あなたの入力PDFファイルのページ上のテキストのレイアウトを維持するフラグ：

pdftotext -layout input.pdf output.txt

オープンソース（および自動化）のファンとして、私はこれを言いたくありませんが、（非常に大規模で複雑なPDFで）得られた最良の結果は、Adobe Readerでそれを開き、[ファイル]、[テキストとして保存]を選択することでした

（読者としてではなく、テキスト分析実験の前処理をしていますが、最初と2番目の選択肢は同じだと思います。）

出力を並べて比較しています。私の2番目の選択肢は、ebook-convertです。

Adobe：改ページのFFのまま、ページ番号の左、見出し/段落は単一行に変換されていませんが、ハイフンが修正されています。PDFに隠されたジャンクは出力されませんでした。セクションの開始時に、「T he」や「T he」ではなく、「The」などの大資本を正しく取得しました。

ebook-convert：ページ番号に残され、ヘッダー/フッターに隠されたジャンク（FFはありません）。ほとんどの段落を単一行に変換します。それが逃したものはダブルスペースです！箇条書きは常にテキストと一致するとは限りません。チャプターの冒頭で正しく「The」を取得しました。

pdftotext（--layoutなし）：悪くはありませんが、箇条書きは並んでいますが、ヘッダー/フッターのノイズです。FFがそこにあります。ハイフンが削除されました。チャプタービッグレターの開始が最悪： "T \ n \ nhe"。

pdftotext（with --layout）：同様ですが、より多くのインデント。章の開始のための「T he」。

pdftohtml >> pdfreflow >> htmltotext：ページ番号を削除しましたが、ヘッダー/フッターにジャンクが残っています。章の開始のための「T he」。ハイフンが削除されました。（段落ごとに複数行を使用しますが、他のバージョンと同じ改行ではありません！）

Googleアカウントをお持ちの場合は、Googleドキュメントを使用してPDFをアップロードし、編集可能なテキストに変換できます。

また、pypdfを試し、2つのドキュメントのpdftotextと比較しました。より多くの改行があり、いくつかのセクション名が分割されました（REFERENCESはREFERENCESでした）。

pdf2txtは完全なガベージを出力しました。

pdftotextが出力を台無しにする場合は、pdfBox（java）をよく使用します。試してみてください。