批量把pdf转换为txt并格式化

今天看到骨头兄的《一个命令把几千张照片压缩了》，我也在用相似的命令，我一句命令把几十本pdf格式的小说转换成txt，再一句命令把所有txt都格式化好。

之所以把pdf转成txt，是我打算放到手机上看，我这等穷人买不起支持pdf的手机，只好最大限度榨取手机的剩余价值了。在乘地铁的无聊时打发时间，话说我是很少在电脑上看小说的， 有电脑用当然做些只能电脑做的事。

虽然很多网站号称提供txt小说下载，不过很多格式都很乱，还到处插上自己的网址，还不如自己下载pdf自己转换整理。

安装转换软件pdftotext

开始我在google里搜一下有什么pdf转txt的软件，不用说肯定会搜到一大堆所谓绿色破解版的东西啦，还不知道支不支持批量转换，一个一个手动转岂不累死？我加“linux”关键字看看有没有linux下使用的。果然，找到了一个“pdftotext”命令，是命令就好办，能配合脚本批处理了。

查了下，archliux库里已经有了，在“poppler”这个包里，还需要这个编码包“poppler-data”来支持中文，立马安装

sudo pacman -S poppler poppler-data

ubuntu大概也是这两个包吧

sudo apt-get install poppler poppler-data

Windows的用户也可以到这个页面下载编译好的压缩包，其实这个程序是xpdf项目的一部分。

安装好后直接运行“pdftotext”，就能看到简要用法，这个包里还有几个装换到其它格式的工具，如html，装好后用“pdf2”或“pdfto”然后按TAB键查看。

批量转换

因为pdftotext不支持同时处理多个pdf，所以用批处理要脚本搞定，打开终端，进入放置pdf的目录，运行下面命令

find ./ -name '*.pdf' | while read i; do pdftotext -layout -nopgbrk $i; done

很快就在当前目录下输出很多txt文件，“-layout”参数表示保留页面布局，“-nopgbrk”表示不输出换行符，自己对比一下就知道区别了。

文本格式化

我是有点完美主义的，转换好的txt还需要整理一下，需要做如下格式化

1. 把开头不是空格的句子合并到上一行的结尾，毕竟用“-layout”后，一个段落就被拆成多行了。
2. 删掉空行和只有一个数字的行（是pdf的页码）
3. 把每行的开头统一为4个半角空格（即两个中文）
4. 部分文本的英文双引号“””转换出来后变成中文的全角双引号“＂”，要把它转换回来
5. 把转换好的结果输出到上一级目录的“txt”文件夹

要知道用要实现以上步骤用鼠标手动修改是怎样一件恐怖的事吗？简单地找一段片断做测试，搞定好应用到全部文件，执行下面代码（上述要求按管道符分割来看）

find ./ -name '*.txt' | while read i; do cat $i | awk '{if ($0 ~ "^[[:space:]]") {printf "\n"$0} else {printf $0}}' | sed -e '/^[[:space:]]*[[:digit:]]*$/d' -e 's/^[[:space:]]\+/    /' -e 's/＂/"/g' > "../txt/$i"; done

几十个文本格式化一气呵成，太爽了！