根據列明智地分割文本文件

Question

所以我有一張發票，我需要做出報告。平均約250頁。所以我試圖創建一個腳本來提取發票的具體價值並製作報告。這是我的問題：

1. 該發票是在pdf格式與它跨越兩列。在Linux命令中，我想使用'pdftotext'Linux命令將其轉換成多個文本文件（每個txt文件代表每個pdf頁面）。我該怎麼做
2. 我認識到'pdftotext'命令將頁面的左邊部分和頁面的右邊部分分開，其間有21個空格。如何將數據的右側（連續讀取至少21個空格後識別）添加到文件末尾
3. 由於文件很大，並且只有文件的最後幾頁，因此如何刪除所有文件這些文本文件在腳本中（不是手動），直到我讀了一個關鍵字（讓我們只是說關鍵字=開始發票）？

我知道這是很多問題，但我很困惑Linux命令可以做什麼。你們能指導我走向正確的方向嗎？由於

PS：我使用CentOS 5.2

Answer 1

什麼：

pdftotext YOUR.pdf | sed 's/^\([^ ]\+\) \{21\}.*/\1/' > OUTPUT 
pdftotext YOUR.pdf | sed 's/.* \{21\}\(.*\)/\1/' >> OUTPUT 

但你應該看看pdftotext的-raw和-layout選擇了。還有更多的方法可以做到這一點...