Skript pro převod pdf do txt

18.5.2010 12:12 | Přečteno: 1928× | GNU/Linux

Už dostkrát se mi stalo, že jsem potřeboval převést český pdf dokument do prostého textu, ale narazil jsem na zmršenou diakritiku v txt souboru. Zde nabízím skript, který toto vyřeší.

#!/bin/bash
# Tento velmi jednoduchý skript převede česky psaný pdf dokument
# do prostého textu v UTF-8.
# Je úzce specializovaný na pdf dokumenty, u kterých program
# pdftotext nekorektně odhadne kódování. Tedy pdftotext odhadne,
# že se jedná o kódování ISO-8859-2, a veskutečnosti se jedná o
# kódování Windows-1250.
# 1. parametrem je název vstupního pdf dokumentu, 2. parametrem je název
# výstupního txt souboru.
pdftotext -enc "UTF-8" -eol unix $1 - \
| iconv -c -f utf8 -t 8859_2 | iconv -c -f cp1250 -t utf8 > $2

       

Komentáře

[miro]

Nikdy jsem pdftotext nepoužíval, a proto jsem si myslel, že se tenhle problém týká pouze geditu. A přitom poznat, že jde o cp-1250 a ne o ISO-8859-2 většinou není problém ani na strojové úrovni.

[Begleiter]

Ono ani moje "řešení" není ideální. Často pdftotext vynechá úplně znak s diakritikou...