PDFからテキストを抽出する

xpdf の pdftotext
http://www.foolabs.com/xpdf/
を利用する

Windows

インストール

ダウンロードと解凍

xpdf-xxxxx-win32.zip

をダウンロードし、任意の場所に解凍する。
xpdf-3.02pl4-win32.zip(1091)

２．日本語対応

ダウンロードと解凍

http://www.foolabs.com/xpdf/
から
xpdf-japanese.tar.gz
をダウンロードし、解凍。

以下のディレクトリ構成になるようにファイルを移動する。

xpdf root
│  ....
│  pdftotext.exe
│  ....
└─japanese
    │  add-to-xpdfrc
    │  Adobe-Japan1.cidToUnicode
    │  EUC-JP.unicodeMap
    │  ISO-2022-JP.unicodeMap
    │  README
    │  Shift-JIS.unicodeMap
    │  Shift-JIS.unicodeMap_bak
    │
    └─CMap

設定ファイルの準備

add-to-xpdfrc

を pdftotext.exe と同じ階層へ移動して、

xpdfrc

へファイル名を変更する。

・ディレクトリ構成

xpdf root
│  ....
│  pdftotext.exe
│  xpdfrc
│  ....

設定ファイルの編集

xpdfrc を

 #----- begin Japanese support package (2004-jul-27)
 cidToUnicode	Adobe-Japan1	"D:\Program Files\xpdf-3.02pl4-win32\japanese\Adobe-Japan1.cidToUnicode"
 unicodeMap	ISO-2022-JP	"D:\Program Files\xpdf-3.02pl4-win32\japanese\ISO-2022-JP.unicodeMap"
 unicodeMap	EUC-JP		"D:\Program Files\xpdf-3.02pl4-win32\japanese\EUC-JP.unicodeMap"
 unicodeMap	Shift-JIS	"D:\Program Files\xpdf-3.02pl4-win32\japanese\Shift-JIS.unicodeMap"
 cMapDir		Adobe-Japan1	"D:\Program Files\xpdf-3.02pl4-win32\japanese\CMap"
 toUnicodeDir			"D:\Program Files\xpdf-3.02pl4-win32\japanese\CMap"
 #displayCIDFontTT	Adobe-Japan1	/usr/..../kochi-mincho.ttf
 #----- end Japanese support package

のように各ファイルへのパスを絶対パスで指定する。
パスにスペースを含む場合は、必ずダブルクォーテーションで括る。

Linux

インストール

基本的には

yum install xpdf

でＯＫ．

バイナリやソースは
http://www.foolabs.com/xpdf/
からダウンロード出来る。
xpdf-3.02.tar.gz(548)
reffプラグインは存在しません。

日本語対応

yum install xpdf

でインストールした場合は、設定済みなのでこの作業はしなくて良い。

ダウンロードと解凍

自分でコンパイルした場合は、
http://www.foolabs.com/xpdf/
から
xpdf-japanese.tar.gz
をダウンロードし、任意の場所に解凍。
xpdf-japanese.tar.gz(606)

設定ファイルの準備

add-to-xpdfrc

をホームディレクトリへコピーして

.xpdfrc

へファイル名を変更する。

設定ファイルの編集

.xpdfrc を add-to-xpdfrc を参考にパスを編集。

実行

pdftotext -enc Shift-JIS test.pdf

でテキストが抽出できる。
また、

-cfg

オプションで設定ファイルを指定出来る。

半角が全角になってしまう

標準の動作だが気に入らないときは

Shift-JIS.unicodeMap

を書き換える。具体的には

 0020 8140
 0021 8149
 0022 8168
 0023 8194
 0024 8190
 0025 8193
 0026 8195
 0027 8166
 0028 0029 8169
 002a 8196
 002b 817b
 002c 8143
 002d 815d
 002e 8144
 002f 815e
 0030 0039 824f
 003a 003b 8146
 003c 8183
 003d 8181
 003e 8184
 003f 8148
 0040 8197
 0041 005a 8260
 005b 816d
 005c 818f
 005d 816e
 005e 814f
 005f 8151
 0060 8165
 0061 007a 8281
 007b 816f
 007c 8162
 007d 8170
 007e 8160

を