standart olmayan karakter kodlamalı PDF'lerde arama yapma

Bazı PDF dosyaları, metni kopyaladığınızda çöp (" mojibake ") üretir ( tamam olsalar bile). Bu, onları aramayı imkansız hale getirir (ne ararsanız çöp ile eşleşmez).

Kolay bir çözümü olan var mı?

Örnekler:

1. TEAC TV el kitabı EU2816STF (hem Windows hem de Mac'te Adobe Reader'daki sorunların üstesinden gelir, ancak Mac'teki Önizleme'de iyi çalışır)
2. Leadtek Winfast PVR2 kılavuzu (FTP bağlantısı; Mac'te Önizleme'de de sorun var)
3. Swann TV tarayıcı kartı kılavuzu (FTP bağlantısı; Mac'te Önizleme'de de sorun var)
4. Phonedisc lisans sözleşmesi (şimdi kaldırılmış olan DTMS'den )
5. Macquarie IFP üç aylık fon incelemesi
6. BAN-TACS Small Business Kitapçığı (arşivlenmiş sürüm)
7. Easterfest 2004 broşürü (arşivden de)

Windows için Adobe Reader (en son sürüm) kullanıyorum - belki de alternatif bir görüntüleyici yardımcı olabilir? Windows için ücretsiz bir çözüm arıyorum. Açık kaynak daha iyi olurdu.

Düzenleme: Multivalent Extract Text aracı için belgelerin aşağıdakiler de dahil olmak üzere neden yanlış gidebileceğinin iyi bir özeti vardır:

• Metinde Unicode eşlemesi olmayabilir. PDF Tip 3 yazı tipleri genellikle yoktur ve TeX DVI'da Unicode eşdeğeri olmayan karakterler bulunur.
• Unicode kodlaması hatalı olabilir. Open Office, bazı karakterleri aynı Unicode ile eşleştirir ve sonuçta harflerin düşmesine ve iki katına çıkmasına neden olur.

Sanırım bu durumlarda nihai çözüm, o karakter ne olduğunu anlamak için bir yazı tipi her glif OCR olacaktır. Glifin tam şekli (bir "vektör" görüntüsü olduğundan sonsuz çözünürlükte) mevcut olduğundan, bunun gürültülü bir taranmış belgeyi OCR işleminden daha kolay olacağını unutmayın.

Foxit Reader , belki?

Ne 's değerinde için, ben sadece Mac OS X 10.6.2 Safari 4.0.4 ile bağlantılı PDF kontrol edildi ve orada iken olan bazı Engrish , herhangi ekrandaki "çöp" olmadan kusursuz hale PDF. Belki de Unicode sorunları yaşıyorsunuz (Windows'ta Mac OS'den daha yaygın)?

Bunu çözmenin en basit yolu, dosyayı yerleşik PDF okuma eklentisiyle Google Chrome'un son bir sürümünde açmaktır . Ardından, metni bulmak için Chrome'un arama özelliğini kullanabilirsiniz ve kopyala yapıştır düzgün çalışır.

İçin tv Manuel örnek : Aynı Mac üzerinde Adobe Reader 8.1.2 sorunu ancak hiçbir kopyalamak veya metin arama yapmak için Mac Önizleme kullanarak problemleri. Ayrıca, bir Gmail hesabına göndermek ve sonra "Görünüm" ü ve ardından "Düz HTML" yi seçmek metni gösterir. Ancak Adobe Reader bunu sevmiyor.

Belge özellikleri yazı tipleri için "Kodlama: Özel" i gösterir. Başka bir belge "Kodlama: Ansi" veya "Roman" gibi şeyleri gösterir ve Mac'te ne Önizleme ne de Adobe Reader'da sorun yoktur:

Bununla birlikte, hem Leadtek hem de Swann örnekleri Mac'te Önizleme'de ve Gmail'de sorun oluşturur ve her ikisi de "Kodlama: Kimlik-H" gösterir. Phonedisc testi ": Custom Kodlama" ile de başarısız olur.

Kafa karıştırıcı ve tutarlı değil, ancak bazı Adobe forumunda "Kodlama: Özel" (vurgu benim) gösteren başka bir örnek için aşağıdaki açıklamayı buldum :

PDF'nin içine baktıktan sonra, belgenin sayfalarında görüntülenen karakterlerin / gliflerin anlamını elde etmek için kullanılabilir bir kodlama bilgisinin (PDF'de veya gömülü font verilerinde) bulunmadığı ortaya çıkar.

Yazı tiplerinin tümü gömülüdür, ancak tüm kodlama bilgileri kaldırılmış şekilde. Bu, PDF spesifikasyonuyla sözdizimsel olarak tam uyumlu olan ancak PDF'nin hazırlanması sırasında içindeki metnin anlamı hakkında önemli bilgilerin atıldığı tipik bir PDF örneğidir . Bildiğim kadarıyla kodlama bilgilerini kurtarmak çok zor olurdu.

Bu, Mac'in Önizlemesinin (ve görünüşe göre Infix'in de) neden Adobe Reader başarısız olduğunda "Kodlama: Özel" ile bile bazı örnekleri işleyebileceğini açıklamıyor . Bilgisayarın tam yazı tipi mevcut olduğunda Önizleme'de sorun olmayabilir. Ya da belki sadece tüm kodlamalarda değil bazılarında işe yarayan bir kodlama tahmin ediyor?

Buna ne sebep olursa olsun: Google Dokümanlar veya Gmail'den geçme işe yaramazsa, belki de en kolay (ancak kolay olmaktan uzak) geçici çözüm TIFF olarak kaydetmek ve daha sonra OCR yapmaktır . Evernote gibi hizmetler anında yapabilir (resimlerde OCR yapar; PDF'de OCR yapacağından şüpheliyim).

Dosya 1'in indirilmesi benim için başarısız oldu, dosya 2 Hızlı ve açık kaynaklı bir pdf görüntüleyici olan xpdf ile açabildim. Sanırım formları işleyemiyor, ancak saf metin ve grafiğe hızlı başlama zamanı için tercih ediyorum.

Ne yazık ki yardım edilemez. PDF belgeleri aslında herhangi bir harf içermez, ancak harf şekilleri içerir. Başka bir deyişle, bir harfi okumak ve ekranda çizmek yerine, herhangi bir PDF okuma uygulaması gibi Adobe Reader , dosyada kodlanmış vektör grafiklerini çizecektir .

Bununla birlikte, bazı PDF okuyucuları, metin tanımayı kullanarak şekli analiz etmeyi ve metni kurtarmayı sağlayan bir yazılımla birlikte gelir. Basılı bir metin kağıdını taradığınız ve metne geri dönüştürmek için ABBYY FineReader gibi bir yazılımı kullandığınız gibi çalışır, ancak sonsuz yüksek kaliteli vektör çizimleri nedeniyle sonuçlar genellikle taranan belgelerden çok daha iyidir.

Bazı belgeler Adobe Reader'ı kandırarak metne dönüştürülmeye karşı korunabilir. Örneğin, harf tanıma yazılımı metni tanıyamayacakken, harfler üst üste binen çeşitli şekillerde görsel olarak hala aynı görünecek şekilde çizilebilir. Belgeniz böyle bir koruma örneğidir.

Bunun bir yolu belgeyi bir görüntüye yazdırmak ve metin tanıma yazılımının bunu tanımasına izin vermektir. Görüntü için daha yüksek çözünürlük kaliteyi artıracaktır. Ancak bu yöntem gerçekten kullanışlı değildir.