Вытащить текст из PDF с невидимыми лишними пробелами
Имеется PDF, при копировании/извлечении текста он получается с многочисленными лишними пробелами в словах. Есть что-нибудь готовое для решения задачи? Логика вроде бы проста: если координата whitespace-символа совпадает с координатой другого символа, также попавшего в selection, символ следует выкинуть.
shatsky ★★
10.07.17 01:25:05 MSK
cnupm ★
( 10.07.17 01:27:24 MSK )
На крайний случай есть OCR.
Sadler ★★★
( 10.07.17 09:00:30 MSK )
Ответ на: комментарий от cnupm 10.07.17 01:27:24 MSK
echo «м а м а м ы л а р а м у» | sed . .
что именно там надо написать?
Rastafarra ★★★★
( 10.07.17 10:14:32 MSK )
странно, как именно ты копируешь/извлекаешь текст?
Rastafarra ★★★★
( 10.07.17 10:15:18 MSK )
Ответ на: комментарий от Rastafarra 10.07.17 10:15:18 MSK
Siado ★★★★★
( 10.07.17 11:08:16 MSK )
С этим говном нормально справляться только через OCR, увы.
hungry_ewok
( 10.07.17 12:32:40 MSK )
Ответ на: комментарий от cnupm 10.07.17 01:27:24 MSK
Внезапно, pdftotext извлекает все правильно, даже переносы слов убирает. Спасибо
shatsky ★★
( 10.07.17 12:50:19 MSK ) автор топика
Ответ на: комментарий от Rastafarra 10.07.17 10:15:18 MSK
Ctrl+C, например. Проблема в том, что в тексте действительно есть эти пробелы. Не знаю, как посмотреть внутренности PDF, там PostScript-подобный язык, но если конвертировать в SVG — в содержимом tspan’ов эти лишние пробелы есть, а их координаты совпадают с координатами символов перед ними.
shatsky ★★
( 10.07.17 12:59:08 MSK ) автор топика
poppler-utils is a collection of tools builds on poppler library API, to manage PDF and extract contents. pdfdetach extract embedded documents from a PDF pdffonts lists the fonts used in a PDF pdfimages extract all embedded images at native resolution from a PDF pdfinfo list all infos of a PDF pdfseparate extract single pages from a PDF pdftocairo convert single pages from a PDF to vector or bitmap formats using cairo pdftohtml convert PDF to HTML format retaining formatting pdftoppm convert a PDF page to a bitmap pdftops convert PDF to printable PS format pdftotext extract all text from PDF pdfunite merges several PDF
pacify ★★★★★
( 10.07.17 13:20:00 MSK )
Ответ на: комментарий от shatsky 10.07.17 12:59:08 MSK
Кстати, можно же конвертировать в SVG, почистить tspan’ы и конвертировать обратно в PDF.
Удаление разрывов строк с сохранением абзацев
Программа поможет удалить разрывы строк, сохраняя при этом структуру абзацев. Программа может восстановить абзацы, удалить двойные пробелы и пустые строки, а также удалить пробелы и отступы в начале строк.
Удаление разрывов строк онлайн
Вставьте текст в область ниже:
Ваш текст без разрывов строк:
Удалить разрывы строк
Опции удаления разрывов строк
абзацы начинаются с двух и более пробелов
абзацы начинаются с пробела
абзацы начинаются с Tab
абзацы начинаются с заглавной буквы
удалить все разрывы строк
абзацы разделены пустыми строками
использовать только дополнительные опции
Дополнительные опции
удалить двойные пробелы
удалить пустые строки
удалить пробелы и TAB в начале абзацев
удалить знаки переноса слов
Этот онлайн сервис сделан для всех, кому приходится работать с текстовой информацией. Вы наверно сталкивались с проблемой разрыва строк при копировании текста из pdf файлов, текстовых файлов, сайтов и некоторых программ, когда каждая скопированная строка, превращается в отдельный абзац. Можно удалить из текста все разрывы строк, заменив их пробелами, но в результате вы получите один большой абзац, что тоже не облегчает работы с текстом. Поэтому я предлагаем вам воспользоваться этим онлайн сервисом для удаления разрывов строк и восстановления абзацев. Этот сайт позволит вам быстро и просто удалить ненужные разрывы строк, сохранив при этом абзацы. Также у вас есть возможность использовать такие полезные функции, как удаление двойных пробелов, удаление пустых строк и удаление пробелов в начале абзацев.
Для программистов написана информация о том, как удалить разрывы строк используя Delphi, C#, C++, SQL, Javasqript, PHP, Python. Также показано, как удалить разрывы строк в MS Word и MS Excel.
Удалить Пробелы в Начале и в Конце Каждой Строки
Загрузите текст, чтобы удалить отступы абзацев, убрать лишние пробелы между словами, а также — в начале и конце предложений. Форматируйте файлы онлайн без ограничений.
Генераторы
Форматирование Текста
Перемешать Текст
Регистр Текста
Сортировка Текста
Редактирование Текста
Статистика Текста
Выравнивание Текста
Поле ввода
Загрузить файл
Удалить пробелы
Копировать
Удалить пробелы
Сторона удаления
удалить с левой стороны
удалить все пробелы и символы табуляции слевой стороны
удалить с правой стороны
удалить все пробелы и символы табуляции справой стороны
Многострочный режим
применить к каждой строке
каждая строка будет обработана независимо от других строк
Подчистить
удалить лишние пробелы
заменяет несколько пробелов одним пробелом
На странице есть востребованная опция — убрать места, в которых случайно образовались большие пробелы (несколько штук). Программа заменяет их на один пробел. Также вы можете удалить ненужные пробелы только с правой или только с левой стороны текста и обработать строки текста по отдельным параметрам, используя функцию «Многострочный режим». Все это позволяет за несколько кликов мышью сделать материал аккуратным и готовым к дальнейшему форматированию или непосредственно к публикации.
Как использовать инструмент
Скопируйте текст, который вы хотите изменить, и вставьте его в поле. Заполните настройки и нажмите кнопку «Удалить пробелы». Большой текст можно загрузить файлом. Далее скопируйте из соседнего окна получившийся текст или выгрузите файл.
В помощь копирайтеру
При работе с текстами — копировании и объединении фрагментов, использовании разных программ для редактирования — в них могут появляться лишние пробелы, знаки табуляции. Перед публикацией, сдачей редактору авторы, копирайтеры, журналисты используют Texter, чтобы привести контент в нужный вид. Предлагаем воспользоваться инструментом всем, кто не хочет тратить время на рутинную работу.
Преимущества работы с сервисом
Texter не требует платы или регистрации. Избавьтесь от большого объема рутинной работы благодаря быстрому форматированию текстов любых видов и размеров. На главной странице доступны бесплатные онлайн-инструменты, которые позволяют улучшить текст за несколько кликов мышью.
Полезные инструменты
annotatescreen.com создать быстро скриншот экрана прямо в браузере или загрузить картинку, чтобы подсветить важные элементы изображения.
Копирование содержимого из документов PDF
Можно с легкостью скопировать содержимое файла PDF, если автор документа не применил настройки защиты, запрещающие возможность копирования. Если требуется скопировать большое количество информации из файла PDF, можно легко экспортировать документ PDF в формат Word, Excel или PowerPoint.
Быстро преобразовывайте файлы PDF в Word онлайн
Быстро преобразовывайте файлы PDF в Excel онлайн
Копирование текста и изображений из документов PDF
Убедитесь, что копирование содержимого разрешено
Нажмите правой кнопкой мыши на документ и выберите Свойства документа.
Нажмите вкладку Защита и просмотрите пункт Сводка по ограничениям документа.
Копирование определенного содержимого из документа PDF
Правой кнопкой мыши нажмите на документ и выберите Выбрать инструмент из всплывающего меню.
Перетащите для выделения текста или нажмите для выделения изображения.
Правой кнопкой мыши нажмите на выделенный элемент и нажмите Копировать.
Копирование документа PDF полностью (только для приложения Windows® Acrobat Reader, недоступно для браузера)