如何用pdftotext与sed/bash脚本预处理PDF导出的文本文件？

使用pdftotext -layout *.pdf提取PDF文本用于数据挖掘，生成的文本需完成以下预处理：

• 每行开头为13位GTIN码或5位PLU码，需将码后的单个空格替换为至少两个空格，避免与描述字段的单词间空格混淆，方便后续转制表符；
• 删除所有单/多行空行，仅保留数据行的换行分隔；
• 最终生成字段间为单个制表符的TSV文件（描述含逗号，不用CSV）。

已尝试sed/grep/awk/tr等工具，但无法整合满足需求，希望用单一工具（如sed）一次性解决。

示例输入（空格替换为•，换行替换为¶）：

9415077026340•Pams•Sour•Cream•&•Chives•Rice•Crackers•100g•••$1.19¶
¶
¶
9415077026296•Pams•BBQ•Chicken•Rice•Crackers•100g•••$1.19¶
¶
61424••••••••••••Yoghurt•Raisins•kg•••$23.90/kg¶
¶
9415077036349•Pams•Sliced•Peaches•In•Juice•410g•••$1.29¶

预期结果（制表符替换为⇥）：

9415077026340⇥Pams•Sour•Cream•&•Chives•Rice•Crackers•100g⇥$1.19¶
9415077026296⇥Pams•BBQ•Chicken•Rice•Crackers•100g⇥$1.19¶
61424⇥Yoghurt•Raisins•kg⇥$23.90/kg¶
9415077036349⇥Pams•Sliced•Peaches•In•Juice•410g⇥$1.29¶

可以用这条sed命令一次性完成所有需求：

sed -E '/^[[:space:]]*$/d; s/^([0-9]{5}|[0-9]{13}) /\1  /; s/[[:space:]]{2,}/\t/g' input.txt > output.tsv

命令分步解释： #

1. 清除空行：/^[[:space:]]*$/d —— 匹配所有仅含空白字符或完全为空的行，直接删除；
2. 替换码后单空格为双空格：s/^([0-9]{5}|[0-9]{13}) /\1 / —— 精准匹配行首的5位PLU或13位GTIN码，将其后方的单个空格替换为两个空格，确保和描述内的单词间单空格区分开；
3. 多空格转制表符：s/[[:space:]]{2,}/\t/g —— 将所有连续两个及以上的空白字符统一替换为单个制表符，完成TSV格式转换。

内容的提问来源于stack exchange，提问作者Fritt Hm