CAM::PDF: Auslesen von Textinhalten aus OpenOffice-PDF (Fragen zu Perl-Modulen)

[thread]15769[/thread]

CAM::PDF: Auslesen von Textinhalten aus OpenOffice-PDF

Leser: 18

Articles: hide open all | hide show old branches

+5 replies
AndiE

2010-12-24 19:49

User since
2010-10-24
65 Artikel
BenutzerIn

Hallo,

ich versuche gerade Text aus PDF auszulesen. Bei Dateien, die ich mit Open-Office erstellt habe, kann ich im Ergebnis von "CAM::PDF::getPageContent" zwischen den Tags Tf und TJ keine Buchstaben erkennen.

Bei anderen pdf-Dateien funktioniert das.

Wie kann ich diese Textbereiche anzeigen?

Schönes Fest

Andre'
- +4 replies
- AndiE
  
  2010-12-27 19:49
  
  User since
  2010-10-24
  65 Artikel
  BenutzerIn
  
  Hallo,
  
  ist doch schön, seine eigene Frage zu beantworten :-). Die Antwort lautete "Nein, das geht nicht."
  
  Der Grund dafür ist, dass OpenOffice ein XML-Format nutzt. Wenn man eine odt-Datei mit unzip entpackt erhält man diese Dateien. Nach wikipedia wird aus solchen "xml"-Dateien über eine "xsl-fo" eine "pdf"-Datei. Die Rückübertragung müsste also den umgelehrten Weg gehen.
  
  Entweder über xml::XPath oder über xml::xslt.
  Kennt sich jemand evtl damit aus?
  
  Schöne Grüße
  
  Andre'
  - +3 replies
  - leo11
    
    2010-12-27 20:17
    
    User since
    2008-08-14
    250 Artikel
    BenutzerIn
    
    2010-12-27T18:49:56 AndiE
    Hallo,
    
    ist doch schön, seine eigene Frage zu beantworten :-). Die Antwort lautete "Nein, das geht nicht."
    
    Der Grund dafür ist, dass OpenOffice ein XML-Format nutzt. Wenn man eine odt-Datei mit unzip entpackt erhält man diese Dateien. Nach wikipedia wird aus solchen "xml"-Dateien über eine "xsl-fo" eine "pdf"-Datei. Die Rückübertragung müsste also den umgelehrten Weg gehen.
    
    Entweder über xml::XPath oder über xml::xslt.
    Kennt sich jemand evtl damit aus?
    
    Schöne Grüße
    
    Andre'
    
    Pdf's sind ncht dafür gemacht zurückkonvertiert zu werden. Du kannst zwar mit Tools wie pdftotext oder pdf2ascii den Text extrahieren, jedoch verlierst du jedwede Formatierung.
    - +2 replies
    - renee
      
      2010-12-28 10:10
      
      User since
      2003-08-04
      14371 Artikel
      ModeratorIn
      
      Und je nach Tool auch die richtige Reihenfolge der Texte...
      OTRS-Erweiterungen (http://feature-addons.de/)
      Frankfurt Perlmongers (http://frankfurt.pm/)
      --
      
      Unterlagen OTRS-Workshop 2012: http://otrs.perl-services.de/workshop.html
      Perl-Entwicklung: http://perl-services.de/
      - AndiE
        
        2010-12-30 18:49
        
        User since
        2010-10-24
        65 Artikel
        BenutzerIn
        
        Hallo,
        
        danke für die interessanten Antworten. Ich habe "CAM::PDF" heruntergeladen und dabei wurden in "/usr/bin" einige Beispieldateien abgelegt. Nachdem ich etwas mir "getpdftext.pl" rumgespielt habe, habe ich nun "rewritepdf.pl" gesehen. Wenn ich diese Datei mit der Option "-d" aufrufe, kann ich die "Charmap" erkennen, mit der die Buchstaben der Textstrings ersetzt werden. Diese ist aufgebaut als:
        
        Code: (dl )
        
        1 2 3
        
        01 004b 02 004b
        
        Die Textstrings enthalten dann, z.B.:
        
        Code: (dl )
        
        [<01><02>]Tj
        
        Soweit so gut. Nun müsste ich beides auslesen und miteinander verknüpfen. Aber das erscheint mir doch ein großes Stück Arbeit zu werden.
        
        Guten Rutsch
        Andre'

View all threads created 2010-12-24 19:49.