如何使用pdftotext将文本文件保存为UTF-8格式

Question

我正在使用pdftotext开源工具将PDF转换为文本文件。如何以UTF-8格式保存文本文件，以便保留文本文件中的所有重音字符。我正在使用以下命令进行转换，从而将内容提取到文本文件中，但是看不到任何带重音符号。

pdftotext -enc UTF-8 book1.pdf book1.txt

请帮助我解决此问题。

预先感谢

Answer 1

您可以使用以下命令获取可用编码的列表： 通用标签

并使用-enc参数选择合适的一个。我的默认情况下似乎在做UTF-8。即您的“ UTF-8”是多余的 通用标签

您可能要检查您的语言环境（LC_ALL，LANG等）。

编辑： 我下载了以下PDF： http://www.i18nguy.com/unicode/unicodeexample.pdf

并使用以下命令在Windows 7 PC（德语）和XPDF 3.02PL5上进行了转换： 通用标签

文本文件绝对是UTF-8编码的，因为所有字符都可以正确显示。您正在使用文本文件做什么？如果通过Web应用程序显示文本，则文本文件可能已按您希望的方式转换，而您的内容编码可能只是错误的。

使用浏览器（将Firefox中的编码强制为ISO-8859-1和UTF-8）或使用十六进制编辑器进行仔细检查。

Answer 2

事情有点混乱，所以我要添加另一个答案。

我拆开了PDF，而我最好的猜测是使用字体的“问题”：

• 在Acrobar Reader中打开PDF文件
• 选择页面上的所有文本
• 将其复制并粘贴到支持Unicode的文本编辑器中（没有“隐藏的” OCR，因此您正在复制实际数据）

  您将看到最终得到的代码点不是在PDF阅读器中看到的代码点。无论字体是什么，它都可能具有与Unicode标准中定义的映射不同的映射。因此，您的内容是“糟糕的”，对此您无能为力。