форумы  помощь  поиск  регистрация  майллист  вход/выход  слежка

Вариант для распечатки		Пред. тема | След. тема
Форумы Открытые системы на рабочей станции (Public)
Изначальное сообщение		[ Отслеживать ]

"Ковертация из PDF в ASCII японского текста"

Сообщение от Аноним (??) on 25-Фев-09, 08:12

Задача: -------- Из pdf файла с японским текстом получить текстовый файл в любой японской кодировке (например, SHIFT_JIS). Т.е. из японского pdf'а получить поток символов в определенной японской кодировке. Что делать потом с ним я знаю. Мне нужен лишь этот поток символов. Что делал: ----------- ps2ascii 555_cat.pdf 555_cat.ascii ESP Ghostscript 7.07.1: Unrecoverable error, exit code 1 Как видно вылазит ошибочка. 100% не понимает японского. Подскажите решение, может у кого есть опыт в этом. P.S. ----- ps2ascii это обертка для gs

Высказать мнение | Ответить | Правка | Cообщить модератору

Сообщения по теме

[Сортировка по времени | RSS]

1. "Ковертация из PDF в ASCII японского текста"

Сообщение от Andrey Mitrofanov on 26-Фев-09, 18:50

>[оверквотинг удален] >-------- > >Из pdf файла с японским текстом получить текстовый файл в любой японской >кодировке (например, SHIFT_JIS). Т.е. из японского pdf'а получить поток символов в >определенной японской кодировке. Что делать потом с ним я знаю. Мне >нужен лишь этот поток символов. > >Что делал: >----------- >ps2ascii 555_cat.pdf 555_cat.ascii У меня под рукой оказался pdftotext из xpdf-utils. Попытки просто просмотра .pdf-ов с предположительно японскими текстами, сыпали сообщениями про "Unknown character collection 'Adobe-Japan1'".... Изучение pdftotext(1) и xpdfrc(5) (обнаружилось упоминание "Adobe-Japan1").... Попытки 'pdftotext file.PDF file.txt', 'pdftotext -enc UTF-8 ...' c "пустым" результатом... Поиски (и отсутствие такового - в моём main+contrib репозитарии) поминаемых в контексте ~japan в xpdfrc(5) файлов.... И дальнейшие поиски привели к пакету xpdf-japanese в разделе non-free Debian.... "Сымпровизированный" по мотивам входящего в него /etc/xpdf/xpdfrc-japanese "локальный" аналог (./xpdfrc-japanese1): #----- begin NOT: Japanese support package (2004-jul-27) cidToUnicode    Adobe-Japan1    ./Adobe-Japan1.cidToUnicode unicodeMap      ISO-2022-JP     ./ISO-2022-JP.unicodeMap unicodeMap      EUC-JP          ./EUC-JP.unicodeMap unicodeMap      Shift-JIS       ./Shift-JIS.unicodeMap cMapDir         Adobe-Japan1    ./adobe-japan1 toUnicodeDir                    ./adobe-japan1 textEncoding    EUC-JP #----- end NOT: Japanese support package ... и распакованные сюда же упомянутые в нём файлы (и директория ./adobe-japan1) из упомянутого пакета в :) результате команды pdftotext -cfg ./xpdfrc-japanese1 -enc UTF-8 file.PDF file.TXT как и pdftotext -cfg ./xpdfrc-japanese1 -enc Shift-JIS file.PDF file.TXT дали-таки мне какой-то :))) поток байтов この行政機関の保有する情報の公開に関する法律の翻訳は、平成十六年法律第八十四号 , с которым _я_ уже не знаю, чего делать. И кстати, да... Поток байтов получился из 1 из 2-х выкачанных наобум .pdf-ов из доменов .jp. Видимо, BUG имети pdftotext(1): --- BUGS Some  PDF  files contain fonts whose encodings have been mangled beyond recognition. There is no way (short of OCR) to extract text from these files. --- и прочие "стандартные" http:/openforum/vsluhforumID3/49911.html#31 проявления "текст - по факсу" http:/openforum/vsluhforumID3/49911.html#26 формата имени Адобе. Надеюсь, помог. (Гм. Я не очень сложно излагаю? :D)

Высказать мнение | Ответить | Правка | Наверх | Cообщить модератору

	2. "Ковертация из PDF в ASCII японского текста"
	Сообщение от LS (ok) on 28-Фев-09, 03:18
	> >この行政機関の保有する情報の公開に関する法律の翻訳は、平成十六年法律第八十四号 > могу только заметить, что вот эта последовательность символов в моем браузере точно соотвествует поставленой задаче. Andrey-ты лучший!!!! это однозначно "определенная"  японская кодировка! :)
	Высказать мнение | Ответить | Правка | Наверх | Cообщить модератору

Архив | Удалить	Индекс форумов | Темы | Пред. тема | След. тема
Оцените тред (1=ужас, 5=супер)? [ 1 | 2 | 3 | 4 | 5 ] [Рекомендовать для помещения в FAQ]