PDFファイルからテキストを抽出するには

　PDFファイルからテキストを抽出するには、pdftotextコマンドを使用する。pdftotextコマンドは、Xpdf（http://www.foolabs.com/xpdf/）に含まれている。Fedora Core 3（FC3）にはXpdfのパッケージが用意されており、

# yum install xpdf

でインストール可能だ。

　Xpdfのインストールが終わったら、設定を行う。全ユーザーに対して設定を有効にする場合は、rootで/etc/xpdfrcの

#textEncoding UTF-8

という行の「#」を削除して、コメントアウトを解除する。

　自分だけに有効な設定を行う場合は、ユーザーのホームディレクトリに.xpdfrcというファイルを作成し、

textEncoding UTF-8

と記述する（EUCのシステムの場合は「EUC-JP」）。

　以上で設定は完了だ。以下のコマンドを実行すると、PDFファイルに含まれるテキストを別ファイルに出力できる。

$ pdftotext sample.pdf sample.txt

　pdftotextコマンドは、textEncodingで指定した文字コードでテキストファイルを生成する。場合によって文字コードを変更したい場合は、-encオプションで適切な文字コードを指定する。

$ pdftotext -enc EUC-JP sample.pdf sample.euc　←EUCで出力 $ pdftotext -enc Shift-JIS sample.pdf sample.euc　←シフトJISで出力

　pdftotextコマンドでよく使用するオプションは、以下のとおり。

オプション	内容
-f 開始ページ	抽出開始ページを指定
-l 終了ページ	抽出終了ページを指定
-opw パスワード	オーナーパスワード（文書の印刷や編集などを制限するためのパスワード）を指定
-upw パスワード	ユーザーパスワード（文書を開くためのパスワード）を指定
-layout	オリジナルに近いレイアウトでテキストを出力
-htmlmeta	HTML形式で出力
-enc エンコード名	テキストファイルの文字コードを指定（UTF-8／EUC／Shift-JISなど）
-eol 行末の形式	end-of-lineの形式を指定（unix／dos／mac）