[SP-pm] parser pdf
Solli Honorio
shonorio at gmail.com
Wed Sep 2 07:41:08 PDT 2009
2009/9/2 jimmy <jimmy.tty em gmail.com>
> On Tue, Sep 01, 2009 at 08:15:29PM -0300, Solli Honorio wrote:
> > Jimmy,
> saudações Solli,
> >
> > Você não despertou interesse no público com o teu problema, seria
> legal
> > você entender o motivo. A mim ficou dúvidas do tipo :
> > * se ele já tem a solução com o pdftotext e pdftohtml, no que eu posso
> > ajudar então ?
> buscava orientação de pessoas mais experientes em perl, bom, já consegui
> uma aqui.
>
> > * o que seria 'uma forma melhor de realizar este tipo de tarefa?', se
> eu
> > nem entendi qual o problema de ser realizado desta maneira !
> pensei que talvez houvesse módulo/método melhor para fazer esse parser,
> algo que facilitasse o trabalho de converter para texto e ter que
> ficar tratando os textos com regex entre outras coisas, alguns dão muito
> trabalho, mas a sua dúvida até responde a minha, talvez não exista
> maneira melhor de fazer.
>
> >
> > Sem compreender onde realmente posso ajudar, eu peço para vc dar uma
> > olhada no CAM::PDF ou no PDF::OCR2. Este último parece meio chato de
> > instalar, tem até um procedimento
> > ([1]http://cpansearch.perl.org/src/LEOCHARRE/PDF-OCR2-1.20/INSTALL).
> o CAM::PDF eu testei e não serviu ao caso, vou dar uma olhada no PDF::OCR2.
>
> >
> > Sinta-se avontade de ir enviando as dúvidas conforme elas forem
> surgindo.
> com certeza, acho que não consegui explicar adequadamente por estar
> bitolado nesse processo, mas você já me ajudou bastante até aqui.
>
Que OS vc está utilizando ? Me informe se você deve, ou não, sucesso na
instalação deste módulo, pois parece que ele é meio chato.
>
> >
> > Obrigado,
> >
> > Solli M. Honório
> >
> > 2009/8/26 jimmy <[2]jimmy.tty em gmail.com>
> >
> > saudações,
> >
> > preciso retirar certas informações de arquivos no formato pdf e hoje
> > uso o pdftotext e pdftohtml (para converter para texto e xml
> > respectivamente), ambos derivados de uma biblioteca chamada poppler
> > ([3]http://poppler.freedesktop.org/), essas ferramentas fazem uma
> certa
> > "renderização" do arquivo pdf para texto (os arquivos que manipulam
> > permitem isso), tornando possível realizar buscas e extrair o texto
> > desejado. A maioria das outras ferramentas/métodos que testei eram
> muito
> > inferiores, extraindo apenas o texto num formato "raw" e ilegível.
> > Cheguei a encontrar um binding da poppler em perl, mas na
> documentação
> > não vi nada que fizesse o trabalho das ferramentas citadas a cima
> (essa
> > implementação usa XS, que não conheço quase nada, e não sei se por
> acaso
> > o
> > binding gerado herdaria todas as funcionalidades da biblioteca).
> >
> > alguém conhece e/ou sugere uma forma melhor de realizar este tipo de
> > tarefa?
> >
> > uma segunda aplicação seria a conversão para texto para facilitar a
> > acessibilidade, tenho uma amiga que é deficiente visual e para ela a
> > conversão para texto (quando possível) é melhor do que o trabalho
> > feito pelos leitores de tela que tentam ler o arquivo pdf (quando
> > legível).
> >
> > grato a todos.
> > --
> > "Não manejo bem as palavras
> > Mas manipulo bem as strings."
> > ------------------------------
> > _______________________________________________
> > SaoPaulo-pm mailing list
> > [4]SaoPaulo-pm em pm.org
> > [5]http://mail.pm.org/mailman/listinfo/saopaulo-pm
> >
> > --
> > "o animal satisfeito dorme". - Guimarães Rosa
> _______________________________________________
> SaoPaulo-pm mailing list
> SaoPaulo-pm em pm.org
> http://mail.pm.org/mailman/listinfo/saopaulo-pm
>
--
"o animal satisfeito dorme". - Guimarães Rosa
-------------- Pr?xima Parte ----------
Um anexo em HTML foi limpo...
URL: <http://mail.pm.org/pipermail/saopaulo-pm/attachments/20090902/78cb8e96/attachment.html>
More information about the SaoPaulo-pm
mailing list