lionad-morotar/pdf-poppler

PDF-Poppler: Poppler PDF 工具集

Poppler 是开源 PDF 渲染库，提供强大的命令行工具集。

完整参考: references/complete-reference.md - 所有工具的详细选项

---

安装

# macOS
brew install poppler

# Ubuntu/Debian
sudo apt-get install poppler-utils

# Fedora
sudo dnf install poppler-utils

---

工具速查

| 工具 | 用途 | 最常用示例 | |------|------|-----------| | pdftotext | PDF → 文本 | pdftotext -layout input.pdf output.txt | | pdftoppm | PDF → 图片 | pdftoppm -png -r 300 input.pdf page | | pdfimages | 提取图片 | pdfimages -png input.pdf image | | pdfinfo | 文档信息 | pdfinfo input.pdf | | pdftohtml | PDF → HTML | pdftohtml -s input.pdf output.html | | pdfseparate | 拆分页面 | pdfseparate input.pdf page-%d.pdf | | pdfunite | 合并文件 | pdfunite *.pdf output.pdf |

---

pdftotext - PDF 转文本

常用用法

# 基础转换
pdftotext input.pdf output.txt

# 保留布局（适合表格、多栏）
pdftotext -layout input.pdf output.txt

# 指定页码
pdftotext -f 3 -l 5 input.pdf output.txt    # 第 3-5 页

# 指定编码（解决中文乱码）
pdftotext -enc UTF-8 input.pdf output.txt

# 输出到 stdout
pdftotext input.pdf -

# 生成带位置信息的 TSV
pdftotext -tsv input.pdf output.tsv

常用选项

| 选项 | 说明 | |------|------| | -f N | 起始页 | | -l N | 结束页 | | -layout | 保留物理布局 | | -enc UTF-8 | 设置编码 | | -tsv | 输出 TSV（含边界框） | | -htmlmeta | 生成 HTML |

---

pdftoppm - PDF 转图片

常用用法

# PDF 转 PNG（默认 150 DPI）
pdftoppm -png input.pdf page

# 高质量 300 DPI
pdftoppm -png -r 300 input.pdf page

# 仅转换第 2-5 页
pdftoppm -png -f 2 -l 5 input.pdf page

# 仅奇数页
pdftoppm -png -o input.pdf page

# 高质量 JPEG，质量 95%
pdftoppm -jpeg -jpegopt "quality=95" input.pdf page

# 生成缩略图（宽度 200px）
pdftoppm -png -scale-to 200 input.pdf thumb

常用选项

| 选项 | 说明 | |------|------| | -png | PNG 格式 | | -jpeg | JPEG 格式 | | -r N | DPI 分辨率 | | -f/-l N | 起止页 | | -o/-e | 仅奇/偶页 | | -scale-to N | 缩放长边到 N 像素 | | -jpegopt "quality=N" | JPEG 质量 0-100 |

---

pdfimages - 提取图片

常用用法

# 提取为 PNG
pdfimages -png input.pdf image_prefix

# 保持 JPEG 原格式，其他转 PNG
pdfimages -j -png input.pdf image_prefix

# 仅提取第 3-5 页
pdfimages -f 3 -l 5 -png input.pdf image_prefix

# 仅列出图片信息
pdfimages -list input.pdf

常用选项

| 选项 | 说明 | |------|------| | -png | PNG 格式 | | -j | JPEG 保持原格式 | | -all | 所有图片按原生格式 | | -list | 仅列出信息 | | -p | 文件名包含页码 |

---

pdfinfo - 文档信息

# 查看完整信息
pdfinfo document.pdf

# 仅查看页数
pdfinfo document.pdf | grep Pages

# ISO 8601 日期格式
pdfinfo -isodates document.pdf

---

pdftohtml - PDF 转 HTML

# 基础转换
pdftohtml input.pdf output.html

# 单页 HTML（无框架）
pdftohtml -s -noframes input.pdf output.html

# XML 格式
pdftohtml -xml input.pdf output.xml

# 忽略图片
pdftohtml -i input.pdf output.html

---

pdfseparate & pdfunite - 拆分/合并

# 拆分每页为单独文件
pdfseparate input.pdf page-%d.pdf
# 生成: page-1.pdf, page-2.pdf...

# 拆分特定位数编号
pdfseparate input.pdf page-%03d.pdf
# 生成: page-001.pdf, page-002.pdf...

# 合并多个 PDF
pdfunite file1.pdf file2.pdf file3.pdf output.pdf

# 合并所有 PDF
pdfunite *.pdf combined.pdf

---

批量处理

# 批量提取文本
for pdf in *.pdf; do
    pdftotext -layout "$pdf" "${pdf%.pdf}.txt"
done

# 批量获取标题
for pdf in *.pdf; do
    echo -n "$pdf: "
    pdfinfo "$pdf" | grep "Title:" | cut -d: -f2-
done

# 批量转图片（每个 PDF 一个目录）
for pdf in *.pdf; do
    mkdir -p "${pdf%.pdf}_images"
    pdftoppm -png "$pdf" "${pdf%.pdf}_images/page"
done

---

故障排除

| 问题 | 解决方案 | |------|---------| | 中文乱码 | pdftotext -enc UTF-8 ... | | 扫描版 PDF 无文本 | 先用 pdftoppm 转图片，再 OCR | | 加密 PDF | 使用 -upw password 或 -opw password | | 命令未找到 (macOS) | export PATH="/opt/homebrew/opt/poppler/bin:$PATH" |

---

参考

• 完整选项参考: references/complete-reference.md
• 官网: https://poppler.freedesktop.org/
• Man Pages: https://manpages.debian.org/testing/poppler-utils/