PDF в текст через CLI

Извлечение TXT, Markdown или HTML через OpenDataLoader, при необходимости HTML в DOCX через soffice.

Какие пакеты установить

Движок — Java CLI и JRE 11+. Для DOCX нужен ещё LibreOffice Writer. Обёртка opendataloader-pdf необязательна.

default-jre-headless

libreoffice-writer-nogui

fonts-liberation

sudo apt-get update
sudo apt-get install -y default-jre-headless libreoffice-writer-nogui fonts-liberation

Как вызвать команду

opendataloader-pdf document.pdf -o . -f html --image-output off пишет document.html. -f text пишет document.txt, -f markdown пишет document.md. Для Word: конвертируйте HTML через soffice --headless --convert-to docx document.html.

opendataloader-pdf document.pdf -o . -f html --image-output off

Пример Dockerfile

Соберите минимальный образ Ubuntu с нужными пакетами и запускайте конвертацию в контейнере.

FROM ubuntu:24.04

RUN apt-get update && \
    apt-get install -y --no-install-recommends \
        default-jre-headless \
        libreoffice-writer-nogui \
        fonts-liberation && \
    rm -rf /var/lib/apt/lists/*

WORKDIR /work

docker build -t pdf-to-text .
docker run --rm -v "$PWD:/work" -w /work pdf-to-text \
  opendataloader-pdf document.pdf -o . -f html --image-output off

Примеры команд

Команды ниже можно запускать локально после установки пакетов или внутри контейнера из Dockerfile.

opendataloader-pdf document.pdf -o . -f html --image-output off

opendataloader-pdf document.pdf -o . -f text --image-output off

java -jar opendataloader-pdf-cli.jar document.pdf -o . -f markdown --image-output off

opendataloader-pdf document.pdf -o ./output -f html --image-output off && soffice --headless --convert-to docx --outdir ./output document.html