Καλώς ήρθατε στο Phorum.com.gr Είμαστε εδώ πολλά ενεργά μέλη της διαδικτυακής κοινότητας του Phorum.gr που έκλεισε. Σας περιμένουμε όλους!
https://dev.phorum.com.gr/
Ιδέα δεν έχω. Αλλά τα Ελληνικά γράμματα βγαίνουν - μόνο που οι θέσεις τους δεν είναι στάνταρ μερικές φορές στο παραγόμενο text, τη σnick έγραψε: 21 Μάιος 2021, 11:22Εννοω εχει σημασια ποιο προγραμμα κατασκευασε το pdf αρχειο. Πολλα προγράμματα έχουν και custom fonts (π.χ. η ελληνική αλφαβητος ειναι γεωμετρικά σχηματα και μονο το ματι μπορει να τα καταλάβει).wooded glade έγραψε: 21 Μάιος 2021, 11:17Δεν ξέρω. Θες να στο στείλω ;nick έγραψε: 21 Μάιος 2021, 11:09
Με τι πρόγραμμα κατασκευάστηκε, τι fonts έχει (ισως και embedded) ...
Τώρα κατέβασα ένα που λέει weeny pdf2textconverter και δεν εκτελεί απολύτως τίποτα.
Αλλά ο adobe ο ίδιος σώνει σαν text λέμε - μόνο που παρουσιάζει το πρόβλημα.
Τι έκανα με το χέρι ;Awesomatic έγραψε: 21 Μάιος 2021, 11:25 Το βασικό σου πρόβλημα πρώτα είναι η εξαγωγή από pdf σε text. Αυτό καλό είναι να γίνει από κάποια γλώσσα που έχει καλές σχετικές βιβλιοθήκες (ενδεικτικά python). Μετά θα ασχοληθείς με το parsing στη γλώσσα της επιλογής σου, χώρισε τα πρώτα σε λογικά βήματα και απέφυγε όσο μπορείς να κάνεις πράγματα με το χέρι.
Ε τι ; Αυτό pdf μου ξανάβγαλε (μιά σελίδα από τις 16).nick έγραψε: 21 Μάιος 2021, 11:33 Κανε μια upload εδω.
https://www.pdftron.com/pdf-tools/article-extraction/
Εναλλακτικά, επειδή μάλλον τα spaces δημιουργούν το θέμα, μπορεί να κάνει Find/Replace στο text αναζητώντας διπλό space και αντικαθιστώντας το με μονό. Με αυτό τον τρόπο πολύ γρήγορα θα έχει ένα text χωρίς διπλά, τριπλά spaces κλπ.klg έγραψε: 21 Μάιος 2021, 10:41
Αρχικά αυτό που θες να κάνεις δεν είναι scraping. Αν δεν μπορείς να βασιστείς στη θέση του πράγματος που θες να κάνεις parse από το pdf, θα πρέπει να κάνεις ένα πιο context-sensitive parsing και να φτιάξεις ένα δέντρο που θα απεικονίζει το περιεχόμενο του pdf, το οποίο θα κάνεις annotate με κάποιο scheme και μετά θα τρέξεις μια αναζήτηση για να βρεις τα tags που αφορούν αυτά που ψάχνεις. (προφανώς τα δύο τελευταία βήματα μπορείς να τα κάνεις merge σε ένα)
Δεν μου φαίνεται να το προκαλούν οι σπάσες.vatraxos έγραψε: 21 Μάιος 2021, 11:49Εναλλακτικά, επειδή μάλλον τα spaces δημιουργούν το θέμα, μπορεί να κάνει Find/Replace στο text αναζητώντας διπλό space και αντικαθιστώντας το με μονό. Με αυτό τον τρόπο πολύ γρήγορα θα έχει ένα text χωρίς διπλά, τριπλά spaces κλπ.klg έγραψε: 21 Μάιος 2021, 10:41
Αρχικά αυτό που θες να κάνεις δεν είναι scraping. Αν δεν μπορείς να βασιστείς στη θέση του πράγματος που θες να κάνεις parse από το pdf, θα πρέπει να κάνεις ένα πιο context-sensitive parsing και να φτιάξεις ένα δέντρο που θα απεικονίζει το περιεχόμενο του pdf, το οποίο θα κάνεις annotate με κάποιο scheme και μετά θα τρέξεις μια αναζήτηση για να βρεις τα tags που αφορούν αυτά που ψάχνεις. (προφανώς τα δύο τελευταία βήματα μπορείς να τα κάνεις merge σε ένα)
Αν κατάλαβα καλά θέλεις από σελίδα 6 και κάτω μέχρι πριν το τέλος;wooded glade έγραψε: 21 Μάιος 2021, 11:59Ξέρεις απ' αυτά ;
https://www.mediafire.com/file/znux3987 ... b.pdf/file
Θα ζητήσω βοήθεια από τον ΑΛΟΓΟΜΟΥΡΗΣ αν χρειαστεί.wooded glade έγραψε: 21 Μάιος 2021, 11:59Ξέρεις απ' αυτά ;
https://www.mediafire.com/file/znux3987 ... b.pdf/file
Ναι από την 5 και μετά.Awesomatic έγραψε: 21 Μάιος 2021, 12:04Αν κατάλαβα καλά θέλεις από σελίδα 6 και κάτω μέχρι πριν το τέλος;wooded glade έγραψε: 21 Μάιος 2021, 11:59Ξέρεις απ' αυτά ;
https://www.mediafire.com/file/znux3987 ... b.pdf/file