PDFファイルからテキストを抽出する

本記事では、ubuntu8.04でPDFファイルからテキストを抽出するコマンドpdftotextをセットアップする方法についてまとめる。

pdftotext：はPDFファイルからテキストを抽出するツールである。(PDFファイルviewerの)xpdfパッケージに含まれている。しかし、何もしないままで実行すると、

$ pdftotext a.pdf a.txt
Error: Unknown character collection 'Adobe-Japan1'
Error: Unknown character collection 'Adobe-Japan1'
Error: Unknown character collection 'Adobe-Japan1'

というエラーで怒られてしまう（a.pdfに日本語が含まれているときに）。「Unknown character collection 'Adobe-Japan1'」でネットを検索してみると解決法がいくつか紹介されているが、どれでやっても解決できなかった。

ネットで紹介されていた方法：

（１）cmap-adobe-japan1とcmap-adobe-japan２を入手して、/usr/share/fonts/cmap/cmap-adobe-japan1およびcmap-adobe-japan２と配置する。（←ネットで入手したものは、もともと入っていたものより古いものだった。後で分かったことだが、入れ替える必要はなかった。）

（２）/etc/xpdfrc/xpdfrc-japaneseでそのフォントの場所を指定する。 書き込む内容は以下の通りである。

cidToUnicode    Adobe-Japan1    /usr/share/xpdf/japanese/Adobe-Japan1.cidToUnicode
unicodeMap      ISO-2022-JP     /usr/share/xpdf/japanese/ISO-2022-JP.unicodeMap
unicodeMap      EUC-JP          /usr/share/xpdf/japanese/EUC-JP.unicodeMap
unicodeMap      Shift-JIS       /usr/share/xpdf/japanese/Shift-JIS.unicodeMap
cMapDir         Adobe-Japan1    /usr/share/fonts/cmap/adobe-japan1
toUnicodeDir                    /usr/share/fonts/cmap/adobe-japan1

これをやった後で、再度実行したら

$ pdftotext a.pdf a.txt
Error: Unknown character collection 'Adobe-Japan1'
Error: Unknown character collection 'Adobe-Japan1'
Error: Unknown character collection 'Adobe-Japan1'

再び怒られた。

結局、設定が反映されていない。設定を明示的に反映するコマンドを実行する必要があるのだろうか？と考えたが、その必要はないようだ。ちなみに、pdftotextを実行したら

• ホームディレクトリにある.xpdfrcを読み込む。
• それがなければ、システムの設定ファイル（/etc/xpdf/xpdfrc）を読み込む。

となるとmanに書いてあった。設定は確かにAdobe-Japan1について書いてあるのになぜか反映されていない。

試行錯誤の後に分かったこと：xpdf-utilsパッケージをインストールしていなかったということだった！apt-getで入れてから、

$ pdftotext a.pdf a.txt

と実行すると、何もエラーがでずに実行できた。すなわち、結局必要だったことは、

• xpdf-utilsをインストールすること
• /etc/xpdf/xpdfrc-japaneseに再設定すること

の２つだけだったのだ。