如何在Ghostscript -sDEVICE=txtwrite提取文本时为每个单词添加分隔符

嘿，很高兴听到你用Ghostscript提取PDF文本的基础命令效果不错！针对表格内容里的单词粘连问题，确实有几个实用的方法能帮你给单词添加合适的分隔符，完美解决这个困扰：

• 改用txtwrite设备并启用自动单词拆分
  Ghostscript的txtwrite是专门优化过的文本提取设备，比旧的txt或ps2ascii设备更擅长处理复杂布局（比如表格）。你可以加上-dTextWordBreak=true参数，让它自动识别单词边界并添加分隔符：

  gs -sDEVICE=txtwrite -dTextWordBreak=true -o output.txt input.pdf
  

  这个参数会让Ghostscript根据字符间距、字体属性等判断单词的结束位置，给表格里的粘连单词自动补上空格分隔。

• 自定义单词分隔符
  如果默认的空格分隔不符合你的需求，还可以用-dTextWordSeparator参数指定自定义分隔符（比如换行符、逗号等）。比如要把每个单词单独放在一行：

  gs -sDEVICE=txtwrite -dTextWordBreak=true -dTextWordSeparator="\n" -o output.txt input.pdf
  

  注意：不同系统（Windows/Linux/macOS）的转义规则可能略有不同，比如Windows下可能需要用^转义特殊字符。

• 顽固粘连的后续脚本处理
  要是还有个别极端的粘连情况（比如大小写混连HelloWorld、数字+字母123Apple），可以用简单的脚本做后续修复。比如用Python的正则表达式匹配边界：

  import re
  
  with open("output.txt", "r") as f:
      text = f.read()
  # 匹配大小写转换的位置，插入空格
  fixed_text = re.sub(r'([a-z])([A-Z])', r'\1 \2', text)
  # 匹配数字和字母的边界，插入空格
  fixed_text = re.sub(r'(\d)([A-Za-z])', r'\1 \2', fixed_text)
  fixed_text = re.sub(r'([A-Za-z])(\d)', r'\1 \2', fixed_text)
  
  with open("fixed_output.txt", "w") as f:
      f.write(fixed_text)
  

另外要提一句：如果你的PDF表格是用矢量线条绘制的“伪表格”（不是真正的文本单元格），那Ghostscript的文本提取可能还是会有偏差——这时候可能需要先把PDF转成OCR可识别的格式再处理，但如果是标准的文本型表格，上面的方法应该能搞定大部分粘连问题。

内容的提问来源于stack exchange，提问作者Charles Okwuagwu