手把手教你用pdftranspro命令行提取pdf文档内容（含表格及段落）

前言

PDF 文件是一种非常常用的文件格式，在企业信息系统存储和交换信息中普遍使用。然而从 PDF 文档中获取表格段落等文档内容却是一件非常麻烦的事情，这是因为pdf的设计初衷是基于文档显示的，为了能保证在不同平台中完全一致的视觉效果，文档以页为单位存储的是一系列包含线条、字符、图片等基本元素的绘图指令。基于这个原因，pdf文档不能像word文档一样直接获取表格和段落，如要获取结构化的文档内容，需要在获取字符、线条等图形及坐标基础上按阅读顺序把含线条、字符、图片等基本元素拼接成文档，过程十分复杂，而且需要不断优化才能达到满意的效果。

PDFBox是apache基金会旗下的一个为java开发人员读取和创建PDF文档而准备的纯Java开源类库。通过PDFBox可以轻松解析PDF文档并逐页获取图形元素及坐标。

pdftranspro是基于PDFBox的一个专业 pdf 文本内容提取解决方案，支持windows和linux平台，经过数年的持续改进其内容提取能力已经达到令人惊艳的地步，不仅能对跨页、跨栏的段落或表格进行合并处理，精确还原整篇文档内的段落和表格，而且可以同时输出html、xml、json、txt 等 4 种格式，方便用户高效获取 pdf 文档内的精确信息或数据。其个人版提供操作界面，可以一键处理单个pdf文档，个人用户免费使用。控制台版可通过命令行方式集成pdf文档转换功能，也提供 pdf文档截取合并等实用的 pdf 编辑功能。控制台版需取得licence文件才能使用，用户可免费试用。

接口说明

1、单文档转换

转换单个 PDF 文档至 html、xml、json、txt 等格式。

命令格式：

cmd_pdftranspro transone <源文件> <目标文件夹> <转换样式> <是否生成html> <是否生成xml> <是否生成json> <是否生成txt> <是否嵌入图片> [<起始页码> [截止页码]]

其中转换样式参数只能为 0 或 1，分别对应“跨页合并”和“标记页码”，是否生成 html 等参数也只能为 0 或 1，分别对应生成该格式或不生成，可同时转换生成多种格式文件，是否嵌入图片只能为 0 或 1，分别对应不嵌入图片和嵌入图片。

示例1：

cmd_pdftranspro transone D:\pdftranspro\infiles\abc.pdf D:\pdftranspro\outfiles 1 1 0 0 0 0 0

表示将文件 D:\pdftranspro\infiles\abc.pdf 转成 html 格式，转换样式为“标记页码”，文档中会标记页码，文件生成在 D:\pdftranspro\outfiles，不嵌入图片。

示例2：

cmd_pdftranspro transone D:\pdftranspro\infiles\abc.pdf D:\pdftranspro\outfiles 0 1 1 1 1 1 10 20

表示将文件 D:\pdftranspro\infiles\abc.pdf 转成 html、xml、json、txt 四种格式，转换样式为“跨页合并”，文档中如果有段落或表格跨页的情况，将合并为一个段落或表格，不会在文档中插入页码。指定页码范围为 10 至 20 页，4个转换文件生成在 D:\pdftranspro\outfiles，嵌入图片。

2、批量文档转换

批量转换 PDF 文档至 html、xml、json、txt 等格式。

命令格式：

命令格式：cmd_pdftranspro transall <源文件夹> <目标文件夹> <转换样式> <是否生成html> <是否生成xml> <是否生成json> <是否生成txt> <是否嵌入图片> [[<起始页码> [截止页码] [并发任务数]]

其中转换样式参数只能为 0 或 1，分别对应“跨页合并”和“标记页码”，是否生成 html 等参数也只能为 0 或 1，分别对应生成该格式或不生成，可同时生成多种格式文件，是否嵌入图片只能为 0 或 1，分别对应不嵌入图片和嵌入图片，并发任务数系统默认为 5，有效设置范围为 1 至 10。

示例1：

cmd_pdftranspro transall D:\pdftranspro\infiles D:\pdftranspro\outfiles 1 1 0 0 0 0 

表示将文件夹 D:\pdftranspro\infiles 下所有 pdf 文件转成 html 格式，转换样式为“标记页码”，文件生成在 D:\pdftranspro\outfiles，不嵌入图片。

示例2：

cmd_pdftranspro transall D:\pdftranspro\infiles D:\pdftranspro\outfiles 0 1 1 1 1 1 10 20 

表示将文件夹 D:\pdftranspro\infiles 下所有 pdf 文件转成 html、xml、json、txt 四种格式，转换样式为跨页合并，页码范围为 10 至 20 页，文件生成在 D:\pdftranspro\outfiles，嵌入图片。

3、文档截取

用于截取 pdf 文档，生成一份新的指定页码范围的 pdf 文档。

命令格式：

cmd_pdftranspro split <源文件> <目标文件夹> <起始页码> <截止页码>

截取后的文件名为源文件加前缀”split_”。

示例：

cmd_pdftranspro split D:\pdftranspro\infiles\abc.pdf D:\pdftranspro\outfiles 1 10

表示将截取文件 D:\pdftranspro\infiles\abc.pdf 第 1 至 10 页生成在 D:\pdftranspro\outfiles 下，文件名默认为"split_abc.pdf”。

4、文档合并

用于合并两份 pdf 文档为一份 pdf 文档。

命令格式：

cmd_pdftranspro merg <源文件 1> <源文件 2> <目标文件夹>

截取后的文件名为源文件加前缀"split_”。

示例：

cmd_pdftranspro merg D:\pdftranspro\infiles\abc1.pdf D:\pdftranspro\infiles\abc2.pdf D:\pdftranspro\outfiles

表 示 合 并 文 件 D:\pdftranspro\infiles\abc1.pdf 和D:\pdftranspro\infiles\abc2.pdf 生成在 D:\pdftranspro\outfiles 下，文件名为"merg_abc1.pdf"。

vx搜：pdftranspro，关注获取第一手资料。

本文完。