Как извлечь из PDF текст и картинки

Иногда пользователи Linux сталкиваются с ситуацией, когда необходимо извлечь из файла в формате PDF изображения или текст. Помочь в этом может комплект программ Poppler Utils.

[TOC Достать текст и картинки из PDF]

Установка Poppler Utils

Введите с терминала следующую строку:

sudo apt-get install poppler-utils


Теперь пользователю, решившему распотрошить PDF, доступны две команды: pdfimages и pdftotext.

pdfimages

Программа pdfimages извлекает из PDF-файла все доступные картинки и сохраняет их в заданной пользователем директории. По умолчанию используется относительно редкий формат PPM. Чтобы заставить программу сохранять изображения в JPG следует указать ключ «-j»:

pdfimages -j pdffile.pdf ~/pdfimages/


Программа сохранит все картинки из файла pdffile.pdf в формате JPG в директорию pdfimages.

pdftotext

Эта программа найдет внутри PDF-файла весь текст и сохранит его в формате TXT. Формат использования следующий:

pdftotext pdffile.pdf

Будет создан файл pdffile.txt, содержащий текст из pdffile.pdf.

Следует отметить, что программа извлекает только доступную текстовую информацию. Если текст в PDF сохранен в виде изображения, то тогда потребуются другие программы, умеющие распознавать образы (OCR).

Пример картинки, извлеченной из PDF-файла с помощью программы pdfimages