نام (NAME)

pdftotext - مبدل قالب سند قابل‌حمل (PDF) به متن (نسخه 3.03)

خلاصه دستور (SYNOPSIS)

pdftotext [options] PDF-file [text-file]

توضیحات (DESCRIPTION)

برنامهٔ pdftotext فایل‌های قالب سند قابل‌حمل (PDF) را به متن ساده تبدیل می‌کند.

این برنامه فایل PDF ورودی یعنی PDF-file را خوانده و یک فایل متنی با نام text-file تولید می‌کند. اگر text-file مشخص نشده باشد، pdftotext فایل file.pdf را به file.txt تبدیل خواهد کرد. اگر مقدار text-file برابر با '-' باشد، متن به خروجی استاندارد (stdout) ارسال می‌شود. اگر PDF-file برابر با '-' باشد، فایل PDF از ورودی استاندارد (stdin) خوانده می‌شود.

گزینه‌ها (OPTIONS)

-f number: اولین صفحه‌ای که باید تبدیل شود را مشخص می‌کند.
-l number: آخرین صفحه‌ای که باید تبدیل شود را مشخص می‌کند.
-r number: تفکیک‌پذیری (رزولوشن) را بر حسب DPI تعیین می‌کند. مقدار پیش‌فرض 72 DPI است.
-x number: مختصات x گوشهٔ بالای سمت چپ ناحیه برش (crop) را مشخص می‌کند.
-y number: مختصات y گوشهٔ بالای سمت چپ ناحیه برش (crop) را مشخص می‌کند.
-W number: عرض ناحیه برش را بر حسب پیکسل مشخص می‌کند (پیش‌فرض 0 است).
-H number: ارتفاع ناحیه برش را بر حسب پیکسل مشخص می‌کند (پیش‌فرض 0 است).
-layout: چیدمان فیزیکی اصلی متن را (تا حد ممکن) حفظ می‌کند. حالت پیش‌فرض، لغو چیدمان فیزیکی (ستون‌ها، خط تیره پایان سطر و غیره) و خروجی دادن متن مطابق با ترتیب خواندن است.
-fixed number: متن را با فاصلهٔ افقی ثابت (یا جدولی) با عرض نویسهٔ تعیین‌شده (بر حسب پوینت) فرض می‌کند. این گزینه حالت چیدمان فیزیکی را اجباری می‌کند.
-raw: متن را مطابق با ترتیب جریان محتوا (content stream) نگه می‌دارد. این روش یک ترفند سریع است که معمولاً قالب‌بندی ستونی و موارد مشابه را خنثی می‌کند. استفاده از حالت خام (raw) دیگر توصیه نمی‌شود.
-remove-hyphens mode: نحوهٔ مدیریت خط تیره‌های انتهای سطر را کنترل می‌کند. mode یکی از موارد زیر است:

all: خط تیره‌های انتهای سطر (U+002D، U+2010، U+FE63، U+FF0D) و خط تیره‌های نرم یونیکد (U+00AD) را حذف کرده و کلمات را در میان خطوط ادغام می‌کند (پیش‌فرض).
soft: فقط خط تیره‌های نرم یونیکد (U+00AD) را حذف کرده و کلمات را در میان خطوط ادغام می‌کند. نویسه‌های اسکی (ASCII) و سایر خط تیره‌ها دست‌نخورده باقی می‌مانند.
none: تمام خط تیره‌های انتهای سطر و شکستگی‌های خطوط را بدون تغییر حفظ می‌کند.

این گزینه در حالت -raw یا -layout هیچ اثری ندارد.

-nodiag: متن‌های مورب (یعنی متنی که زاویهٔ آن نزدیک به هیچ‌یک از محورهای ۰، ۹۰، ۱۸۰ یا ۲۷۰ درجه نباشد) را نادیده می‌گیرد. این ویژگی برای رد کردن واترمارک‌هایی که روی متن اصلی درج شده‌اند مفید است.
-htmlmeta: یک فایل HTML ساده شامل اطلاعات متا تولید می‌کند. این گزینه صرفاً متن را درون تگ‌های <pre> و </pre> قرار داده و سرآیندهای متا را به ابتدای آن اضافه می‌کند.
-bbox: یک فایل XHTML تولید می‌کند که شامل اطلاعات کادر محصورکننده (bounding box) برای هر کلمه در فایل است.
-bbox-layout: یک فایل XHTML تولید می‌کند که شامل اطلاعات کادر محصورکننده (bounding box) برای هر بلوک، خط و کلمه در فایل است.
-tsv: یک فایل TSV تولید می‌کند که شامل اطلاعات کادر محصورکننده (bounding box) برای هر بلوک، خط و کلمه در فایل است.
-cropbox: در هنگام استفاده از گزینه‌های -bbox و -bbox-layout، به جای media box از crop box استفاده می‌کند.
-colspacing number: مشخص می‌کند که چه میزان فاصله پس از یک کلمه مجاز است تا متن مجاور یک ستون جدید در نظر گرفته شود؛ این مقدار به عنوان کسری از اندازه قلم (font size) سنجیده می‌شود. مقدار پیش‌فرض فعلی 0.7 است؛ در نسخه‌های قدیمی این مقدار 0.3 بود.
-enc encoding-name: کدگذاری مورد استفاده برای خروجی متنی را تعیین می‌کند. مقدار پیش‌فرض "UTF-8" است.
-listenc: فهرست کدگذاری‌های در دسترس را نمایش می‌دهد.
-eol unix | dos | mac: قاعدهٔ پایان سطر (end-of-line) مورد استفاده در خروجی متنی را مشخص می‌کند.
-nopgbrk: از درج نویسه‌های شکست صفحه (form feed) در میان صفحات خودداری می‌کند.
-opw password: گذرواژهٔ مالک (owner password) را برای فایل PDF مشخص می‌کند. وارد کردن این گذرواژه تمامی محدودیت‌های امنیتی را دور می‌زند.
-upw password: گذرواژهٔ کاربر (user password) را برای فایل PDF مشخص می‌کند.
-q: از چاپ هرگونه پیام یا خطا جلوگیری می‌کند.
-v: اطلاعات نسخه و کپی‌رایت را چاپ می‌کند.
-h: اطلاعات نحوهٔ استفاده از دستور را نمایش می‌دهد. (-help و --help معادل یکدیگر هستند.)

گزارش باگ‌ها (BUGS)

برخی از فایل‌های PDF حاوی قلم‌هایی هستند که کدگذاری آن‌ها فراتر از حد شناسایی مخدوش شده است. هیچ راهی (به جز نویسه‌خوان نوری یا OCR) برای استخراج متن از این فایل‌ها وجود ندارد.

وضعیت خروج (EXIT STATUS)

ابزارهای Xpdf از کدهای خروج زیر استفاده می‌کنند:

0: بدون خطا.
1: خطا در باز کردن فایل PDF.
2: خطا در باز کردن فایل خروجی.
3: خطای مربوط به دسترسی‌ها و مجوزهای PDF.
99: خطای دیگر.

نویسندگان (AUTHORS)

حق تکثیر نرم‌افزار pdftotext و مستندات آن متعلق به Glyph & Cog, LLC (سال‌های 1996-2011) است.

همچنین ببینید (SEE ALSO)

pdfdetach(1), pdffonts(1), pdfimages(1), pdfinfo(1), pdftocairo(1), pdftohtml(1), pdftoppm(1), pdftops(1), pdfseparate(1), pdfsig(1), pdfunite(1)