+- WeHack BBS (https://bbs.wehack.space)
+-- 版块： 计算机技术 (https://bbs.wehack.space/forum-5.html)
+--- 版块： GNU/Linux 讨论区 (https://bbs.wehack.space/forum-6.html)
+--- 主题： 利用poppler-utils将PDF尽可能还原为ODT (/thread-221.html)
利用poppler-utils将PDF尽可能还原为ODT - nadebula - 01-25-2021
完全还原是不可能的，由于PDF是面向打印的格式。另有大量私有软件和SaaSS号称可以将PDF比较可靠地还原为ODT或DOCX，不过据本人分析，所谓的“可靠性”很可能仅限于那些本身嵌入了一份ODT或DOCX副本的PDF文件。
经过一些查证工作，本人选择了poppler-utils作为处理PDF的工具。基本套路是分别处理文本和图片。利用pdftohtml输出为HTML，利用pdfimages提取图片。（pdftohtml不加-i参数同时输出文本和图片效果不佳。）利用LibreOffice打开此HTML，另存为FODT。
以下是我用的命令：
pdfimages -j filename.pdf image
pdftohtml -s -i -noframes filename.pdf filename.html
用LibreOffice打开后，需要对文本进行大量修补工作。例如本人在处理Self-publishing using LibreOffice Writer 6一书的PDF（原作者没有提供可编辑的ODT）时，本人手动处理了以下问题：
1, 页面背景为灰色：进入页面样式进行修改
2, 去除页面背景色之后，所有“空格”仍为灰色：选中一个灰色的空白字符，粘贴到“查找与替换”中的“查找”一栏，在“替换”一栏输入普通空格，全部替换（耗时较长）
3, 由于是从PDF转换而来，会引入大量换行符（Shift+Enter）：在“查找与替换”中选中“正则表达式”，查找\n，替换为空，全部替换
余下的主要问题：
1, 转换之后，页眉、页脚、页码、脚注、尾注、旁注、批注等都成了普通文本，需要手动删除之后重新创建
2, 重新编排目录和索引（需要设置标题样式和索引项）
3, 重新插入表格和图片
RE: 利用poppler-utils将PDF尽可能还原为ODT - vimacs - 01-26-2021
直接用LibreOffice Writer打开PDF文件也可以吧，LibreOffice用的也是poppler.
另外只要文本的话可以考虑mutool draw，但不一定能输出有效的文本。
RE: 利用poppler-utils将PDF尽可能还原为ODT - nadebula - 01-26-2021
(01-26-2021, 09:11 AM)vimacs 提到: 直接用LibreOffice Writer打开PDF文件也可以吧，LibreOffice用的也是poppler.
另外只要文本的话可以考虑mutool draw，但不一定能输出有效的文本。
如上所述，除非该PDF在创建时同时嵌入了ODT，否则会用Draw打开。原帖更新了一些内容。总的来说，如果预先准备好了一套样式（按老谭风格说，样式是LibreOffice的灵魂），从已有的PDF进行转换还是能节省一些操作步骤。
Bruce Byfield的新书Designing Ebooks本人将会持续关注。
RE: 利用poppler-utils将PDF尽可能还原为ODT - vimacs - 01-26-2021
(01-26-2021, 09:27 AM)nadebula 提到: 如上所述，除非该PDF在创建时同时嵌入了ODT，否则会用Draw打开。原帖更新了一些内容。总的来说，如果预先准备好了一套样式（按老谭风格说，样式是LibreOffice的灵魂），从已有的PDF进行转换还是能节省一些操作步骤。
Bruce Byfield的新书Designing Ebooks本人将会持续关注。
LibreOffice是支持用Writer或者Impress打开PDF的，在选择文件的窗口里面选择文件类型为"PDF - Portable Document Format (Writer)"就是用Writer打开。
RE: 利用poppler-utils将PDF尽可能还原为ODT - nadebula - 01-26-2021
(01-26-2021, 03:02 PM)vimacs 提到: LibreOffice是支持用Writer或者Impress打开PDF的，在选择文件的窗口里面选择文件类型为"PDF - Portable Document Format (Writer)"就是用Writer打开。
那么我可能一直没有注意这列表里还有这么多类型，包括天朝的UOF……
现在的问题是Self-publishing using LibreOffice Writer 6这作者用的是私有字体Georgia，如果替换为默认的Liberation Serif会变宽。我在想到底是改一堆段落样式还是干脆改页面样式（增大纸张尺寸），反正不必须和原书拥有相同的物理尺寸。
RE: 利用poppler-utils将PDF尽可能还原为ODT - nadebula - 08-10-2021
2021年8月更新：
我处理Self-publishing一书的时候最终没有采用ODF/PDF格式，直接编辑好markdown利用pandoc处理成HTML了，图片则是通过poppler-utils提取之后（选择提取全部类型的图片），在HTML中插入引用来处理。
Designing ebooks新书也将采用类似方式处理。因为制作ODF/PDF不仅费时，而且反而不利于在诸如手机等设备上阅读，失去了一定的灵活性。