请教关于高效批量 PDF 转 TXT

[leverestfish]

不需要 OCR 的，都是完全电子版的 PDF 文件。

最好是用脚本的比如 python，尝试过 pdfminer 感觉性能很弱鸡，鲁棒性也不够（也可能是我用的不对？在一个 1 核 2G 的云服务器上跑 50 页左右的，经常被强制 KILL ）；

实在不行也可以用软件，但是必须要能批量（手头文件很多）

谢谢大噶，被一个小需求烦死了，感觉市面上解决方案不多。

[kkocdko]

pdf.js 渲染然后 innerText
没试过，不知道行不行。另外能本地完成为啥要在服务器上跑

[ikas]

Apache Tika...只是用过

[felixcode]

用 calibre 的命令行工具转换

[reallittoma]

可以用 Ghostscript

[Latin]

https://github.com/pymupdf/PyMuPDF 试试这个

[zjsxwc]

gs -sDEVICE=txtwrite -o output.txt input.pdf

[cnoder]

unoconv 我们生产环境的转换用的这个

[goxxoo]

pdf 2000 页的路过 ，才 50 页，不存在性能问题

[xmt328]

@goxxoo 根据 PDF 的编码方式,页码不是性能的关键,反正都是分页解析的,主要是看一页有多少内容,如果都是纯文字其实不吃内存