PDF内のテキストを抽出する。

>pdftotext Sample_text.pdf none/out_none.txt

>dir none
     2,974 out_none.txt
>

文字を取り出す位置・範囲を指定する。

>pdftotext>pdftotext        -x 100 -y 120 -W 200 -H 270 Sample_text.pdf x/out_xyWH.txt
>pdftotext>pdftotext -r 50  -x 100 -y 120 -W 200 -H 270 Sample_text.pdf x/out_xyWH_r50.txt
>pdftotext>pdftotext -r 100 -x 100 -y 120 -W 200 -H 270 Sample_text.pdf x/out_xyWH_r100.txt

>dir x
     629 out_xyWH.txt
     377 out_xyWH_r100.txt
     947 out_xyWH_r50.txt
>

取り出す範囲は開始位置（x,y）と幅（W）と高さ（H）で指定します。
ただし、取り出す解像度（r）により位置は異なります。（r=4000までのDBI値）

PDFの文字位置（レイアウト）を維持します。（極力維持します）

>pdftotext -layout Sample_text.pdf layout/out_layout.txt

>dir layout
     4,335 out_layout.txt
>

PDFテキストの文字ピッチ（ポイント）を想定してレイアウトを組み立てる。

>pdftotext -fixed 12 Sample_text.pdf fixed/out_fixed12.txt
>pdftotext -fixed 6  Sample_text.pdf fixed/out_fixed6.txt

>dir fixed
     4,219 out_fixed12.txt
     5,204 out_fixed6.txt
>

文字列をコンテンツストリームの順序で保持する。（ある程度、文字の順序性が担保される）

>pdftotext -raw Sample_text.pdf raw/out_raw.txt

>dir raw
     2,828 out_raw.txt
>

斜めのテキスト（0度、90度、180度、270度の軸に近くないテキスト）を取込みしません。背景斜めの透かしを取り込みしないときなどに便利です。

>pdftotext -nodiag watermark.pdf nodiag/out_nodiag.txt
>pdftotext         watermark.pdf nodiag/out_nodiag_none.txt

>dir nodiag
      55 out_nodiag.txt
     132 out_nodiag_none.txt
>

サンプルでは何故か1行目のテキストも取り出し対象外となってしまいました。

PDFから取り出したテキストをHTML形式にする。

>pdftotext -htmlmeta           Sample_text.pdf htmlmeta/out_htmlmeta.html
>pdftotext -htmlmeta -fixed 10 Sample_text.pdf htmlmeta/out_htmlmeta_fixed.html
    
>dir htmlmeta
     3,420 out_htmlmeta.html
     4,835 out_htmlmeta_fixed.html
>

HTML形式で取り出す場合は「-fixed」などによりレイアウト維持した方が見やすくなる。

ファイル内の各ブロック、行、単語の境界ボックス情報を含む TSV ファイルを生成します。
テストの開始位置やテキスト内容などがあり、細かい解析には便利な情報となります。

>pdftotext -tsv Sample_text.pdf tsv/out_tsv.txt

>dir tsv
     29,302 out_tsv.txt
>

>pdftotext -listenc Sample_text.pdf
Available encodings are:
.
..
ASCII7
Big5
Big5ascii
EUC-CN
EUC-JP
GBK
ISO-2022-CN
ISO-2022-JP
ISO-2022-KR
ISO-8859-6
ISO-8859-7
ISO-8859-8
ISO-8859-9
KOI8-R
Latin1
Latin2
Shift-JIS
Symbol
TIS-620
UTF-16
UTF-8
Windows-1255
ZapfDingbats
>

改行コードを指定します。

>pdftotext -eol unix Sample_text.pdf eol/out_eol_unix.txt
>pdftotext -eol dos  Sample_text.pdf eol/out_eol_dos.txt
>pdftotext -eol mac  Sample_text.pdf eol/out_eol_mac.txt

>dir eol
     2,974 out_eol_dos.txt
     2,764 out_eol_mac.txt
     2,764 out_eol_unix.txt
>

>pdftotext -nopgbrk Sample_text.pdf nopgbrk/out_nopgbrk.txt

>dir nopgbrk
     2,970 out_nopgbrk.txt
>

以下のように改ページ記号「CL」が出力されなくなります。

各単語の境界ボックスとページサイズをhtmlに出力します。
テキストの開始位置や終了位置を含むhtmlが出力されます。

>pdftotext -bbox Sample_text.pdf bbox/out_bbox.txt

>dir bbox
     22,068 out_bbox.txt
>

-bboxと同様ですが、レイアウト境界ボックスデータが追加されます。

>pdftotext -bbox-layout Sample_text.pdf bbox-layout/out_bbox-layout.txt

>dir bbox-layout
     50,866 out_bbox-layout.txt
>

メディアボックスではなくクロップボックスを使用します。

>pdftotext -cropbox Sample_text.pdf cropbox/out_cropbox.txt

>dir bbox-layout
     2,974 out_cropbox.txt
>

隣接するテキストを新しい列と見なす前に、単語の後にどれだけのスペースを残すかを指定します。フォントサイズに対する割合で測定されます。現在のデフォルトは0.7です。以前のリリースではデフォルトは0.3でした。

>pdftotext -colspacing 2   Sample_text.pdf colspacing/out_colspacing2.txt
>pdftotext -colspacing 0.3 Sample_text.pdf colspacing/out_colspacing0.3.txt

>dir sep
     2,977 out_colspacing0.3.txt
     2,904 out_colspacing2.txt
>

Windows版を使用しています。

pdftotext version 24.08.0
Copyright 2005-2024 The Poppler Developers - http://poppler.freedesktop.org
Copyright 1996-2011, 2022 Glyph & Cog, LLC
Usage: pdftotext [options] <PDF-file> [<text-file>]
  -f <int>             : first page to convert
  -l <int>             : last page to convert
  -r <fp>              : resolution, in DPI (default is 72)
  -x <int>             : x-coordinate of the crop area top left corner
  -y <int>             : y-coordinate of the crop area top left corner
  -W <int>             : width of crop area in pixels (default is 0)
  -H <int>             : height of crop area in pixels (default is 0)
  -layout              : maintain original physical layout
  -fixed <fp>          : assume fixed-pitch (or tabular) text
  -raw                 : keep strings in content stream order
  -nodiag              : discard diagonal text
  -htmlmeta            : generate a simple HTML file, including the meta information
  -tsv                 : generate a simple TSV file, including the meta information for bounding boxes
  -enc <string>        : output text encoding name
  -listenc             : list available encodings
  -eol <string>        : output end-of-line convention (unix, dos, or mac)
  -nopgbrk             : don't insert page breaks between pages
  -bbox                : output bounding box for each word and page size to html. Sets -htmlmeta
  -bbox-layout         : like -bbox but with extra layout bounding box data.  Sets -htmlmeta
  -cropbox             : use the crop box rather than media box
  -colspacing <fp>     : how much spacing we allow after a word before considering adjacent text to be a new column, as a fraction of the font size (default is 0.7, old releases had a 0.3 default)
  -opw <string>        : owner password (for encrypted files)
  -upw <string>        : user password (for encrypted files)
  -q                   : don't print any messages or errors
  -v                   : print copyright and version info
  -h                   : print usage information
  -help                : print usage information
  --help               : print usage information
  -?                   : print usage information