Dotaz: pdf po uložení do .txt souboru nečitelný

[tonda]

Ahoj všem. Chtěl jsem vyhledávat v pdf souboru text (ctrl+f v adobe reader) . Bohužel i když jsem text viděl vyhledávač jen nenalezl. Tak jsem tedy zkusil uložit text jako .txt v adobe reader. Je to nečitelný text plný různých znaků. Další co jsem zkusil bylo ctrl+c a vložit do textˇáku - výpis opět nečitelný. Ještě jsem zkusil uložit text pomocí pdftotext a opět bez úspěchu. Další moje pokusy byly změnit kódování v Kwrite na cp1250 ISO8859-2 ISO8859-3 také bez úspěchu. V LilbreOffice Writer změna fontu také nezabrala.

Otázka zní: je možné uložit tento text do souboru .txt, aby text byl čitelný.

Děkuji Tonda

Původní text.

Předpis ČD Z11 obsahuje základní ustanovení pro obsluhu rádiových zařízení v železničním provozu na síti Českých drah.

Takto vypadá tento odstavec při použití příkazu pdftotext (po vložení do tohoto okna jsou tam místo různých znaků obdélníky)

3?HGSLV?ý'?=???REVDKXMH?]iNODGQt?XVWDQRYHQt?SUR?REVOXKX?UiGLoYêFK?]D?t]HQt?Y?åHOH]QLþQtP?SURYR]X?QD?VtWL?ýHVNêFK?GUDK? 3UR? REVOXKX? ]iNODGQRYêFK?? YR]LGORYêFK? D? S?HQRVQêFK? UiGLRYêFK? VWDQLF platí dále zásady uvedené v?QiYRGHFK?SUR?REVOXKX?MHGQRWOLYêFK?W\S$?]a?t]HQt?

výpis při použití crl+c ctrl+v a uložit jako text .?? (?# ?$ %!! 6#'???? ??+?' ?? ?#?'? ???? (? 6#???? ?? ?o- ?*?? ?'?????? ? )?????????? (? ? ?? ?' #??? ??#+*??

?'??

---

---

Odpovědi

[Migi]

a neni to pdfko jen exportovanej obrazek? Pak by samozrejme nebylo co kopirovat.

[tonda]

Obrázek to rohzodně není - 1600 řádků nečitelného textu.

[tonda]

Příloha:

• pdfcopy.png (63554 bytů)

Jelikož se znaky v předchozím textu silně změnily přikládám obrázek.

[Filip Jirsák]

Bylo by potřeba přiložit to originální PDF. Ale podle vašeho popisu to možné není, protože ten text není v PDF vložen.

Ve formátu PDF je text vložen tak, že jsou tam víceméně náhodné znaky, a u každého typu znaku je určeno, jak se má vykreslit. Aby se dalo v textu vyhledávat a kopírovat, musí tam být ještě tabulka, která ty náhodné znaky mapuje na nějakou známou znakovou sadu (třeba UTF-8). Ta v tomhle PDF evidentně není.

Zda je PDF udělané tak, aby se text dal vyhledávat a kopírovat, to závisí na způsobu jeho vytvoření, tedy na programu autora PDF.

[tonda]

Na tomto odkaze naleznete tento pdf soubor. http://www.ulozto.cz/xW9QK42/predpis-pdf

Omlouvám se za předchozí překlepy "nenalezl jsem kde to mohu opravit" a děkuji za Vaši ochotu to řešit.

[Filip Jirsák]

Zvláštní je, že části textu jsou tam správně i s českým kódováním. Každopádně tam text není vložený správně tak, aby bylo možné jej z toho snadno získat. Připadá mi to, jakoby se zdrojová aplikace pokoušela přepínat jazyky a Adobe Distiller, který z toho generoval PDF, to nezpracoval správně. Ty texty tam možná jsou zakódované špatně nějak systematicky, takže by to teoreticky šlo strojově zase rozkódovat zpět, ale podle mne by to bylo příliš pracné. Pokud z toho potřebujete získat text, zkusil bych ještě nějaké OCR. Texty se vykreslují vektorově, takže to PDF lze libovolně zvětšit a máte tak dokument jakoby s libovolným DPI a vytištěný na dokonalé tiskárně. Úspěšnost OCR by mohla být skoro stoprocentní.

[Jirka]

A toto by nepomohlo?

[Semo]

Nevies ty, Google vie.

[tonda]

Mockrát děkuji. Tonda