Я использую инструмент с открытым исходным кодом pdftotext для преобразования PDF в текстовые файлы. Как сохранить текстовые файлы в формате UTF-8, чтобы сохранить все символы акцента в текстовых файлах. Я использую приведенную ниже команду для преобразования, которая извлекает содержимое в текстовый файл, но не может видеть символы с акцентом.
pdftotext -enc UTF-8 book1.pdf book1.txt
Пожалуйста, помогите мне решить эту проблему.
Заранее спасибо,
Вы можете получить список доступных кодировок с помощью команды:
pdftotext -listenc
и выберите правильный, используя аргумент -enc. Мой здесь, похоже, по умолчанию использует UTF-8. т.е. ваша "UTF-8" лишняя
pdftotext -enc UTF-8 your.pdf
Вы можете проверить свою локаль (LC_ALL, LANG, ...).
EDIT: я скачал следующий PDF-файл: http://www.i18nguy.com/unicode/unicodeexample.pdf
и преобразовал его на ПК с Windows 7 (немецкий) и XPDF 3.02PL5 с помощью команды:
pdftotext.exe -enc UTF-8 unicodeexample.pdf
Текстовый файл определенно имеет кодировку UTF-8, так как все символы отображаются правильно. Для чего вы используете текстовый файл? Если вы показываете его через веб-приложение, ваша кодировка контента может быть просто неправильной, в то время как текстовый файл был преобразован так, как вы этого хотели.
Перепроверьте с помощью браузера (принудительно установите кодировку в Firefox на ISO-8859-1 и UTF-8) или с помощью шестнадцатеричного редактора.
Все становится немного запутанным, поэтому я добавляю еще один ответ.
Я разобрал PDF-файл и, по моему мнению, это «проблема» с используемым шрифтом:
Вы увидите, что кодовые точки, которые вы получите, не те, которые вы видите в программе чтения PDF. Каким бы ни был шрифт, его отображение может отличаться от того, которое определено в стандарте Unicode. Таким образом, ваш контент является «неправильным», и вы мало что можете с этим поделать.
