Forum Debian Users Gang

Na okrętkę, ale w tym szaleństwie może być metoda.

Zainstaluj cups-pdf i "wydrukuj" pdf do pdf :) -- może ten drugi pdf będzie przystępniejszy do konwersji.

dzieki za zainteresowanie ...

@azhag
niestety druk tego pdf'u (zarowno drukarka kde, jak i cupd-pdf, jak tez gs -q -dNOPAUSE -dBATCH -sDEVICE=pdfwrite) powoduje rozwalenie sie ekstrakcji tekstu - ps2txt daje szyfr jak poprzednio a pdftotext daje smeici typu

"  4     56*7'5 "  $  #"! "/
"/ % "#% #"
4# #&  0

@fnmirk
a moze wiesz czy jest jakas opcja ktora wymuszalaby zachowanie informacji tekstowej, zaznacze tez ze jest to typowy tekst w jezyku polskim czyli wiekszosc alfabetu lacinskiego (a w outpucie go wogole nie widac)

co dziwne pdftotext (z pakietu xpdf-utils) radzi sobie bardzo dobrze z ekstrakcja tekstu z tego pdf'u, ale juz pdftops (z tego samego pakietu) generuje postscript z tekstem niezrozumialym dla narzedzi z pakietu ghostscript (nie radza sobie one z obsluga tak zakodowanego tekstu jaki  jest w pierwotnym pdf'ie i jaki wchodzi z niego do wygenerowanego ps'a - wynik ps2txt dla pierwotnego pliku pdf i wygenerowanego pliku ps jest niemal identyczny, ps2pdff, ani pdfwriter nie sa w stanie odtworzyc pliku pdf z ktorego daloby sie wyciagnac ten tekst)

Edit:
jeszcze inny output daje narzedzie pstotext (tez jest on identyczny dla pierwotnego pdf'u jak i wygenerowanego ps), plik pdf utworzony przez pstopdf tez nie odtwarza warstwy tekstowej

edit2:
jakby ktos byl zainteresowany - http://www.opcode.eu.org/~rrp/0321.pdf - to jeden z kaprysnych pdf'ow

Ostatnio edytowany przez bercik (2008-11-29 01:07:03)

tak potrzebuje edytowac ten pdf, ale nie tekst w nim zawarty, a niestety pdfedit obecnie nie pozwala wstawic obrazka :-(

jak latwo zauwazyc jest to skan - mamy ocr i obrazki, a trzeba zrobic pdf z poprawnym wyszukiwaniem, ogolna idea polega na:
* konwersja pdf'u z tekstem i obrazka (tiff) do ps (to zalatwia pdftops i raczej robi to dobrze)
* modyfikacja ps'a tak aby nalozyc obrazek na tekst - ps ma ta zalete nad pdf'em ze jest plikiem tekstowym i mozna go latfo modyfikowac (wystarczy usunac kilka linijek aby nalozyc dwie strony na siebie)
* konwersja przeedytowanego ps do pdf (i tu sa schody bo narzedzia z pakietu ghostscript nie potrafia zinterpretowac poprawnie warstwy tekstowej jaka jest w tym pdf'ie/wyeksportowanym z niego ps'ie)

poppler wywodzi sie z xpdf i faktycznie on tez dobrze dziala, ale niestety on tez nie posiada narzedzia pstopdf niezaleznego od gs

ps2txt opiera sie w duzej mierze na programie postscriptowym i do calej zabawy korzysta z ghostscripta (a wydaje mi sie ze to w nim jest problem)

dzieki za rade ale problem w tym ze ocr wraz z korekta jest wykonany dawno temu - mamy pliki rtf i obrazki (niestety osobno) i z tego ma powstac pdf ktory jako wrstwe graficzna zawiera skan a OCR jest do wyszukiwania (nie jest wyswietlany) ... pozatym tego materialu jest ogrom (rzedu tysiecy stron) wiec recznie nie bede sie przez to przeklikiwal (raczej juz napisze konwerter ps->pdf ktory to dobrze robi :-))

btw dla pdf'ow generowanych z latexa konwersja pdftops -> ps2pdf -> pdftotext jest prawie bezstratna w porownaiu do pdftotext (gubi tylko niektore z syboli trybu matematycznego)

poprownujac wynik pdftops z opcja -noembtt i bez niej udalo mi sie ustalic iz jest to jakis problem zwiazany z czcionka - gdy eksportujemy bez fontu to zamiast poprawnego tekstu wyswietlonego inna czcionka dostajemy smieci wyswietlone inna czcionka ... czyli postscript (w odroznieniu od narzedzi pdf'owych) radzi sobie tylko z wyswietlaniem tej czcionki (gdy ma jej opis) ale nie radzi sobie z dekodowaniem kodow jej znakow na standardowy tekst

gdyby nie to ze xpdf i pochodne sobie z tym radza to wszystko byloby jasne, (uzyta czcionka z niestandardowym przypisaniem kodow do znakow) ... ale dlaczego xpdf sobie radzi?

Edit:
co dziwne ta czciona to z nazwy dossc popularna - TimesNewRomanPSMT ... na sieci (https://fcp.surfsite.org/modules/newbb/viewtopic.ph … &start=10) znalazlem tez info ze problem zwiazany z pdf'ami z ktorych nie mozna kopiowac tekstu, ale z tego pdf'u daje sie kopiowac tekst

Ostatnio edytowany przez bercik (2008-11-29 23:52:21)

dzieki za linki ... niestety nie prowadza do rozwiazania problemu ... bo nim jest bledne konwertowanie przez gs takich plikow ps nie tyle do txt co do pdf (z tego co ustalilem jest to problem wlasnie gs'a)