Dotaz: pdftotext a špatná diakritika

[Begleiter]

Příloha:

• vystup_z_pdftotext.png (104775 bytů)

Dobrý den,

snažím se převést jednu PDF knížku v češtině do UTF-8 plain text. Používám následující příkaz:

pdftotext -enc UTF-8 -eol unix kniha.pdf kniha.txt

Ale bohužel pdftotext si neporadí s diakritikou — vystup_z_pdftotext.png ukazuje, jak to s diakritikou dopadlo (otevírám to v editoru gedit).

Budu moc vděčný za jakoukoli radu, jak diakritiku zprovoznit.

---

---

Odpovědi

[fraxinus]

Skusil by som opraviť to pomocou sedu: sed 'y/??.../ÉÁ.../' kniha.txt > kniha.ok

[Begleiter]

Děkuju za odpověď, ale bohužel toto nepomohlo.

[fraxinus]

Samozrejme namiesto tych otaznikov si musite dat tie znaky ktore tam su necitatelne.

[Begleiter]

Jsem já to vůl! Děkuju za nakopnutí, vyzkouším.

[Begleiter]

Zasek jsem se na tom, že nevím, jak zadat ty "Unicode znaky" (myslím ty znaky v tom obdélníčku).

[fraxinus]

Skopiruj ich z toho zkomoleneho textu, myslim ze by to malo fungovat.

[chrono]

Z toho obrázka nie je jasné, či to je naozaj utf-8, alebo to je windows-1250 zobrazované v kódovaní iso-8859-2.

Ak ide o tú prvú možnosť, tak sa utf8 bude musieť konvertovať do 8859_2 a potom cp1250 do utf8.

[Begleiter]

Děkuju za reakci. Ale jsem z toho jelen. Mohl byste být konkrétnější?

[chrono]

Ak je problém to, čo si myslím, tak v pdf je použité 8 bitové kódovanie. Je tam použité kódovanie cp1250, ale program pdftotxt si myslel, že to je 8859_2.

Takže postup bude:

iconv --from utf8 --to 8859_2 subor.txt > subor-1250.txt
iconv --from cp1250 --to utf8 subor-1250.txt > subor-utf8.txt

[Begleiter]

pdftotext -enc UTF-8 -eol unix kniha.pdf subor.txt
iconv --from utf8 --to 8859_2 subor.txt > subor-1250.txt
 iconv: nepovolená vstupní sekvence na pozici 122

[Begleiter]

Děkuju moc, chrono! Vyřešeno! Řešení je napsáno výše, jen je ještě třeba přidat parametr -c programu iconv. Já ho radši přidal k oběma příkazům.

[tomk]

Podle tech znaku to vypada, ze to z pdftotextu vypadne v CP1250. Zkusil bych tedy vysledek prevest iconv -f windows-1250 -t utf-8 < kniha.txt > knihautf8.txt

Tomas

[Begleiter]

iconv: nepovolená vstupní sekvence na pozici 2243

Skončí to touhle chybou. Přesto díky za pomoc.

[tomk]

To uz je docela daleko. Mozna je tam vazne nejaky podivny znak. Bud bych se podival, co tam je, nebo bych rovnou doplnil parametry iconvu o -c.

Tomas

[Begleiter]

Hrozně moc ti děkuju za nakopnutí, co se týká parametru -c programu iconv. Ukázal se jako klíčový parametr. Ještě jednou díky!