Языковая политика
Общие обсуждения => Компьютеры и интернет => Topic started by: Tanuki-san on 19 August 2023, 15:02:35
-
Есть пдф, в котором слова отличаются форматированием: есть полужирным, есть италиком, есть обыкновенные. Пдф позволяет копировать из него копи-пастом.
1. Можно ли выкопировать, сохраняя разметку?
2. Можно ли рассортировать слова в три категории, согласно разметке?
Файл тут: https://www.dropbox.com/s/mkcyo53m15ktbnp/nuovovocabolariodibase.pdf?dl=0
-
Тут такая штука: PDF это графический формат (как и DjVu, например).
То есть каждая страница: это просто картинка, если повезёт, то векторная, как и положено, но бывает и растр, когда надо сохранить исконный вид какого-то старинного документа.
А текст, который можно с этой картинки скопировать — это отдельный слой, добавленный программой распознавания (не в курсе, можно ли вкладывать готовый, но надеюсь, да). И этот слой: в формате plain text. В нём нет никакой инфы про жирность, курсив, подчёркивание et cetera. Собственно, некоторые ридеры этот слой позволяют увидеть: тупо чёрный текст на белом фоне.
Поэтому единственный способ "выкопировать", сохраняя разметку — это обработать PDF-файл OCR-программой, умеющей видеть эту разметку и умеющей сохранять распознанное в формат, отличный от PDF, который её сохранит. Например, в HTML.
Лично я пользуюсь старенькой ABBYY PDF Transformer 3.0, которая когда-то в 2009 распространялась бесплатно на дисках к компьютерным журналам.
Результат работы здесь (http://puu.sh/JO4QP.html).
Если мешают полосы, выключите CSS-стили на странице.
-
Вариант без излишней метаинформации и форматирования (http://puu.sh/JO4TM.html).
-
большое спасибо, то что нужно - но мне потенциально в эксель 3 списка надо, мне оригинальная разметка была нужна только для сохранения информации. Можно извлечь три списка оттуда?
-
Нет ничего невозможного, но если жирный и италик извлекаются простым document.getElementsByTagName, то отсутствие разметки на третьем типе превращает добычу в весёленький парсинг остатка на предмет непробельных последовательностей, не содержащих точек (надеюсь).
Вам оно как, в любом порядке надо или в данном конкретном?
-
Ещё вижу, что особо мелкие суперскриптные единички распознались как единичные кавычки aka апострофы. Вам эта цифирь нужна?
-
Ещё вижу, что особо мелкие суперскриптные единички распознались как единичные кавычки aka апострофы. Вам эта цифирь нужна?
эта цифра нужна, это для различения омонимов, но она может хоть $ обозначаться, главное, чтобы было понятно, что там есть. Или там все суперскрипты стали кавычкой? (там не только единицы, есть двойки, тройки…) в любом случае, их не может быть много, можно потом вручную допилить
-
Нет ничего невозможного, но если жирный и италик извлекаются простым document.getElementsByTagName, то отсутствие разметки на третьем типе превращает добычу в весёленький парсинг остатка на предмет непробельных последовательностей, не содержащих точек (надеюсь).
Вам оно как, в любом порядке надо или в данном конкретном?
задача на самом деле сложнее - хотелось бы не только слово болдом/ италиком, но и его грамминформацию. Тут скорее надо порезать на куски от запятой до запятой, а потом по наличию формата первого слова определить в список. Похоже на питоновский скрипт. :) Сам порядок внутри отдельных списков неважен - он же не по частотности, а по алфавиту, в нем нет информации
-
Если б "от запятой до запятой", было бы гораздо легче. А надо от слова до слова, так как в граминформации этих запятых жопой жуй.
И союза e, чтоб его…
Ладно, сейчас повыделяю обычные слова и попробую сплюсовать с плейн-текстом до следующего тэга.
-
супер
-
Пожалуйста (http://puu.sh/JO58E.html).
Списки после словаря, надеюсь, с забиванием в Excel проблем не будет.
Не гарантирую, что всё правильно оцифровалось и ничего не пропущено, так как тотальной вычиткой не занимался. Но у Вас всегда есть под рукой оригинал.
-
О, джинса в список не попала :(. И кабина… И вообще, внимания первым и последним элементам в абзацах я уделил явно недостаточно.
Да и списки лучше создавать автоматически, а не забивать дубляжом место в файле.
В общем, принимайте версию словарика 2.0 (http://puu.sh/JO6Uc.html) (теперь в UTF-8!).
-
спасибо, огромное!
-
спасибо, огромное!
только у меня не открывается. Закладка открывается на секунду, а потом опять закрывается сама :'(
апдейт - скачал, но система ругалась, посчитала вирусом
-
Господи, что там за параноидальные настройки у Вас стоят: ругаться на скрипт, тупо вставляющий ничего не делающий текст в клетку таблицы⁈ Сейчас каждый второй сайт через шаблоны работает.
Отредактируйте настройки и откройте html в нормальном браузере.
-
Если система совсем ёкнутая (Win10?), вот вариант без скрипта (http://puu.sh/JO8SG.html).
-
так я открыл же уже, просто скачал и нажал keep