Vytvoření fulltext indexu v PDF - dotaz

22.8.2008 00:22 | Přečteno: 1208× | blbůstky

Tak se mi tu tak válí jeden hezký PDF soubor. On vlastně není ani tak moc hezký, jako PDF a já v něm potřebuju udělat fulltext index.

A by toho trápení nebylo málo, tak tu mám asi tak A4ku zadanejch slov, který se maj v tom indexu objevit. Index to má být klasickej. V levo slovo v pravo seznam stránek, na kterejch se vyskytuje. Vcelku jasná vyzuální podoba, ale jak to udělat automaticky? Ručně to určitě psát nechci, nehledě na to, že bych se mohl přehlídnout. Akceptuji jakékoliv řešení (tzn i windows) Díky.

       

Komentáře

[progdan]

Existuje napriklad programek PDF2HTML (jasny ze idealni by bylo pdf2txt, ale nic takovyho sem neobjevil kdyz sem pred par mesici resil podobny problem)...z toho HTML pak uz jen staci zkopirovat slova do obycejneho textaku, zaindexovat to uz by pak nemel bejt problem

[bazil]

hmm řešení zajímavé, jen si nemyslím, že by potom seděly stránky, když HTML žádné v podstatě nemá

[kralyk z abclinuxu]

Nevím jesi chápu přesně vo co se snažíš a jak, ale doporučuju něco menšího napsat v nějakém tom jazyce, hodí se např. hledat googlem případně kouknout na wiki kde je základní popis formátu.

Nebo jsem to špatně pochopil a máš tu A4ku fyzicky? V takovém případě bych radil podívat se po OCR softwaru.

[bazil]

jo ta A4ka je fyzicky ... ty slova z A4ky opíšu klidně ručně, ale nechcu každé slovo ručně hledat v celém dokumentu a pak psát, kde všude se vyskytuje ...

[Ketling]

pdftotext - Portable Document Format (PDF) to text converter.

No a potom na to pustiť nejaký skript.

[otula]

Narazil jsem na Zilverine, možná pomůže (nevím, co přesně dělá, ale píše se tam o indexování pdf)

[bazil]

jo ale tady se indexací myslí vyhledávání ...

[Zdeněk Burda]

Rozlož pdf na stránky, převeď je do textu. Pak už to skriptíkem dáš dohromady.

[bazil]

hmmm to zní dobře, jen jak to PDF mám rozkopat na stránky?

[klingger]

Napríklad pdftk to vie.

[xsubway]

pro konverzi PDF na text lze pouzit pdftotext ... v textu je vlozen page-break symbol ^L ;) ... dalsi namety: How to Index Anything ;)

[bazil]

aaaha, díky, teď už to pude nějak oskriptovat

[Daniel Kvasnička ml.]

Co tohle? http://www.zotero.org/documentation/pdf_fulltext_indexing