Dotaz: Konverze PDF -> text

[Ondra]

Ahoj, potreboval bych zkonvertovat pdf na plaintext, vcetne cestiny v cp1250. Nevite nekdo, jak na to?

Odpovědi

[unchallenger]

Jak bylo PDF vytvořeno? Obecná odpověď totiž je, že to nejde. Doporučuji prohledat archive konference cstex, kde se to nejednou řešilo.

[Vlastimil Ott]

Mimo jiné jsem se ptal i já a v praxi jsem si ověřil, že to nejde tak, aby byl výsledek reprezentativní. Pro pochopení textu ano, ale nepočítejte s tím, že by se tak daly chrlit txt verze pdf dokumentů.

[misterlister]

Zdravim,
spolecne s xpdf je dodavan pdftotext, muzete jej zkusit. Nicmene pokud jste mel na mysli konvertovani dokumentu, u nichz autor zakazal tisk, ci podobne veci, tak Vam asi nepomuze.

[finn]

…nehledě na to, že si nedokáže poradit s českými znaky.

[misterlister]

Pri dobre konstelaci hvezd si s ceskymi znaky poradi (resp. podle me zkusenosti s pouzivanim tohoto programu, mam pocit, ze to souvisi se strukturou toho konkretniho pdf. Fundovane o tom mluvit nemohu.). Musite pouzit parametr -enc UTF-8. Vystupni soubor samozrejme bude kodovan v UTF-8, ale pokud je toto kodovani nezadouci, nemel by byt problem jej prekonvertovat.

[finn]

Pravda, s parametrem -layout jeví dokonce i snahu o zachování struktury dokumentu :)

[Valoun]

Jako nahledovy rezim do midnighcommanderu je to idealni; napsal jsem si na to malinky skriptik.

#!/bin/sh
INFO=`pdfinfo "$1" 2>/dev/null`
FONTS=`pdffonts "$1" 2>/dev/null`
TEXT=`pdftotext -eol unix -layout "$1" - 2>/dev/null`
echo -e "$INFO\n\n$FONTS\n\n$TEXT"

Ten mi ve vysledku o predanem pdf vypise informace typu autor, verze pdf, vlozene fonty a vlastni obsah. Cestina je samozrejme problematicka.

[Jan Martinek]

Jojo, když jsou u pdf ty věci zakázané, tak všechny programy, co jsou součástí xpdf tyto zákazy respektují, protože autor chce mít čisté svědomí. Nicméně lze stáhnout zdrojáky a v nich vyhledat něco jako

// check for print permission
if (!doc->okToPrint()) {
error(-1, "Printing this document is not allowed.");
exitCode = 3;
goto err1;
}

zakomentovat či smazat a překompilovat. A stydět se.

[Ondra]

Tak uz to mam: pdftotext samo me zakazalo to pdfko zkonvertovat, tak jednoduse stacilo (mam gentoo) USE="nodrm" emerge xpdf a vsechno funguje. No, ten kdo delal ten ebuild se asi moc nestydel.

[©]

Ten zakaz tisku se da u xpdf obejit pri kompilaci. Je to tam primo od autora, nekde se to da vypnout, ale podrobnosti neznam.

[©]

Jejda, on už to sem někdo napsal BTW: To s tím XPDF a zákazem tisku by možná patřilo do rubriky "Na co se často ptáme"...

[Tomáš]

Jako alternativu k uvedeným vychytávkám bych uvedl balík pdftools. Je napsaný v javě. Nemám přesný odkaz, dávejte do Googlu hesla: Multivalent Document Tools (nadpis stránky), Extract Text v1.1, java tool.pdf.Extract [options] PDF-file(s). Snad něco vypadne.

[eirik]

Zkousel nekdo skript tvaru xpdf soubor.pbf | nocr >soubor.txt