将大型PDF转换为文本的方法？

有人能推荐一种方法或库，以编程方式将大的（100MB-4GB）PDF转换为文本吗

我通常使用pdftotext（poppler-utils），但对于大文件，它会显示“内存不足”消息，并且只有前6000页左右的页面在输出文本文件中

---

也许有一种方法可以将这些PDF拆分，然后运行pdftotext，也许有一些方法可以在不消耗内存的情况下成功运行更昂贵的调用，也许另一个库是最好的。。。基本上，我很想听听你的建议。谢谢大家

我们正在解析PDF中的报纸和杂志，并将它们转换为JPEG格式，这不完全相同，但我们在打开和解析时遇到了相同的问题，但使用imagemagick/ghostscript

我们的解决方案是将它们分成10页以下的批，一次解析一批，然后将结果按顺序排列，或者将文本附加到存储它的位置

---

如果pdftotext不支持，您可能可以使用imagemagick/ghostscript将它们拆分为更小的PDF，因为输入PDF文件中有数千页。每个页面可能包含文本、图像和其他被解压缩的对象，并且可能占用2个或更多内存

因此，您可以将文件拆分为3000页，如下所示：

使用拆分源PDF文件

• 从命令行使用via脚本：

pdfsplit input.pdf 1 3000 output1-3000.pdf

pdfsplit input.pdf 3001 6000 output3001-6000.pdf

运行

pdftotext

将pdf转换为文本文件

然后最后合并输出文件：

cat output1-3000.txt output3001-6000.txt>output all pages.txt

您还可以使用步骤（1）中的实用程序手动拆分文件