java - 提取pdf文件内容，将pdf文件转为txt格式
我现在有很多pdf文件，现在假设这些pdf文件都是文字类型的，非扫描版图片格式的。虽然可以使用软件将pdf转为txt文本文件，但是由于pdf文件数量太多，大概有好几百篇，所以我也没有尝试使用操作软件的手工方式。这两天，尝试过使用itext，引用itextpdf-5.5.10.jar，代码来自于http://stackoverflow.com/ques... 的ExtractPageContent类，直接使用，正确运行，没有报错。但是转换之后的文本内容明显减少，好像也只能识别出英文数据，达不到要求。使用python的pdfminer3k进行转换，乱码。使用ghostscript转换，乱码。后来用了别人的源码（基于poppler），效果还行，但是由于pdf是两列的格式，它进行转换时候，是按照行来转换的，转换之后的格式不好，如下图所示。
转换之后的效果如图
可以看到解析之后的文本明显错位了。
原来的pdf文件，百度网盘地址https://pan.baidu.com/s/1nvLQnLf
我现在还有一个问题是：pdf文件产生的方式有很多种，既可以使用latex编写产生，还可以使用word另存为，还可以使用编程语言如iReport等产生。而且这些格式如果不一样，那么会不会转换很麻烦？
