Knacknuss Text aus PDF extrahieren

Hallo Leo,

probiere mal freeOCR! Holt text aus Grafik.

Hat bei mir bis jetzt immer geklappt

LG Andi

PDF to Word Converter

> probiere mal freeOCR! Holt text aus Grafik.

> PDF to Word Converter


Danke aber sorry: kein Windows hier.
FreeOCR ist wohl nur free beer und Word nicht mal das... :-(

An den Weg via OCR habe ich zwar schon gedacht, aber muss das sein?
(wie ich bereits schrieb: es sind ohnehin keine Bilder im PDF 
eingebettet. Ja, ich weiss: PDF malt halt die Buchstaben hin...)

Inkscape kann PDF Importieren

https://inkscape.org/de/

Gruss Bernd

> Evince als PDF-Reader entdeckt habe, der sich nicht um die

uups, sorry nochmals. Evince ging in der Liste vergessen.
Evince ist auch mein standard PDF-Betrachter und ich kann darin zwar per 
Maus Text selektieren, bekomee beim Pasten im Editor aber ganz 
aehnlichen Zeichensalat wie bei den versagenden Konvertierprogramme.

Als Notnagel wuerde ich Maus/Copy/Paste nehmen weil solchein Dokument 
1x/Monat eintrudelt. Eine CLI-basierte Loesung ziehe ich aber definitiv 
vor.


> pdftotext -enc encoding-name xy

Danke fuer den Hinweis, hilft aber auch nicht.

1

$ pdftotext -listenc | grep -v ':' | while read ENC

2

do

3

   pdftotext -enc "$ENC" workcopy-11.pdf "${ENC}-11.txt"

4

done

5

$ 

6

$ grep -c Festnetz *txt  # das Wort 'Festnetz' ist mit Evince/FF/.. am Bildschirm zu lesen

7

ASCII7-11.txt:0

8

Big5-11.txt:0

9

:

10

:

11

Windows-1255-11.txt:0

12

ZapfDingbats-11.txt:0

13

$ 

14

$ ## keine Treffer unter den 23 Encodings :-(

oszi40 schrieb:
> Sonst mal Originaldatei mit Editor ansehen was am Anfang steht. Evtl.
> ist da ein hilfreicher Hinweis zu finden?

1

$ cat -A workcopy-11.pdf | head

2

%PDF-1.2$

3

%M-GM-lM-^OM-"$

4

6 0 obj$

5

<</Length 7 0 R/Filter /FlateDecode>>$

6

stream$

7

xM-^\M-]\M-^K{M-SM-V^Ugr!KM-B7M-^^+^]^FM-dM-^FZMM-W&X/K^FM-*M-^A(M-^[M-!M-UZM-2M-4M-FM-.@M-6M-\^GPM-HM-^FB^K^[M-[hM-KM-VM--ccM-]M-FM-^M-/^?uM-wM-^s^_M-RM-5M-d8M-^I^]^X_>M-lDM-^VM-n=M-wwM-OM-cwM-N=M-ffM-%M-6M-(WjM-xM-^GM->M-woM-LM-

8

:

9

:

oszi40 schrieb:
> ist: erst mal CTRL-A, dann CTRL-C und später mit CTRL-V wieder in ein
> irgendwas.txt einfügen ging nicht? Mit Libreoffice ging auch nicht?
>
> Sonst mal Originaldatei mit Editor ansehen was am Anfang steht. Evtl.
> ist da ein hilfreicher Hinweis zu finden?



Remove the password and restrictions of PDF files online:

https://crackmypdf.com/

https://www.pdfunlock.online/

Das wird wahrscheinlich alles nicht sonderlich viel bringen, da der Text 
vermutlich mit einem "Embedded Subset" des Fonts abgespeichert wird.

Zur Verdeutlichung des Prinzips:
Hallo -> ASCII ->  72 97 108 108 111

Dafür müssen jetzt natürlich alle Zeichen bis 255 vorliegen. Also baut 
sich der PDF-Generator seinen eigenen Font:

1 -> H, 2 -> a, 3 -> l, 4 -> o
Hallo --> 1 2 3 3 4

Und im nächsten Abdatz steht "Hallo du" und weil das mit dem 
Komprimieren so toll funktioniert, wird das auch noch Abschnittsweise 
gemacht:

1 -> " ", 2 -> H, 3 -> a, 4 -> d, 5 -> l, 6 -> o, 7 -> u
Hallo du --> 2 3 5 5 6 1 5 7

Für den dekodierenden pdf-Viewer ist das alles kein Problem, da ja das 
korrekte Zeichen für den im jeweiligen Abschnitt gültigen Code 
hinterlegt ist.
Kopier man allerdings daraus, hat man (ASCII 0 bis 7) unsichtbare 
Steuerzeichen bis totalen Zeiochenmüll. Und das meist auch nicht 
durchgehen gleich, sonst könnte einfach bspe. 65 addiert werden.

Das ist ein Problem, das mir auch schon das eine oder andere Mal 
Kopfschmerzen beschert hat und wenn jemand eine Lösung hat: Her damit!

arbeite in der Druckvorstufe u.a. mit dem Acrobat/ Distillerpaket.
würde mich anbieten zu schauen woran es hapert. Bitte um Zusendung der 
PDF
per PM.

Entweder liegts an der Schrift, oder der "unterliegende Text" ist 
verschlüsselt.

Die Lösung ist ein OCR-Tool zu verwenden, z.Bsp. tesseract (frei).

Ich würde mich auch um eine Zusendung freuen.


Bei Tesseract musst du nur vorher die Seiten teilen (pdftk), in ein Bild 
(png) wandeln (gs / imagemagick), dann tesseract -l deu XXX.png XXX.pdf, 
und schließlich wieder zusammenfügen.


Ich hab dafür ein Online-Tool gebaut dessen URL ich auf PM mitteilen 
kann.

> Remove the password and restrictions of PDF files online:

> Entweder liegts an der Schrift, oder der "unterliegende Text" ist
> verschlüsselt.

wie ich bereits im ET schrieb: das PDF is NICHT verschluesselt.

1

$ pdfcrack -o workcopy-11.pdf

2

Error: Encryption not detected (is the document password protected?)

3

$

  -|-  -|-

Mittlerweile habe ich auch mit Inkscape rumgemacht.
Plumpes oeffnen ergibt "nix" ausser 4 Dekolinien, jedoch definitiv kein 
Text.
So man beim Importdialog die Option "use Poppler" anwaehlt, bekommt man 
ein Rendering des PDFs in das Inkscape Dokument. Hierbei handelt es 
sich aber um eine Pixelwueste, also ein PNG-Abbild des Textes.
Also dasselbe wie

1

$ convert workcopy-11.pdf abbild-11.png

Leo K. P. schrieb:
> wie ich bereits im ET schrieb: das PDF is NICHT verschluesselt.

Sorry, ich habe es falsch verstanden.

Ja, das ist ein Problem...

> Bei Tesseract musst du nur...

ein erster, plumper Versuch mit tesseract verlief seehhr ernuechternd 
:-/
Das Ergebnis im Anhang: weder Tel.Nummern noch Datum noch Zeiten wurden 
erkannt. Der Rest des Textes besteht eigentlich aus einem sehr sehr 
eingeschraenkten Vokabular (im Schnellueberflug zaehle ich gerade mal 
nur 24 einzigartige Woerter).

1

$ convert  workcopy-11.pdf  abbild-11.png

2

$ tesseract  -l deu  abbild-11.png  tesseract-11.txt

3

$

Harter Einsieg in OCR...

OK: die Bilddatei abbild-11.png ist vllt. etwas klein geraten und schaut 
aus wie ein Fax (ausgefranste Zeichen) - ich mach nochmal 'ne Runde...

bastel_ schrieb:
> 
https://diging.atlassian.net/wiki/spaces/DCH/pages/5275668/Tutorial+Text+Extraction+and+OCR+with+Tesseract+and+ImageMagick

was sollte ich hier denn sehen?  (s. Bild)

Leo K. P. schrieb:
> ein erster, plumper Versuch mit tesseract verlief seehhr ernuechternd

Hi, ich hatte dir per Mail mein (sehr brauchbares) Ergebnis mit 
Tesseract geschickt. Evtl. ist es im Spam gelandet (anderer 
Absenderadresse).

Soeren K. schrieb:
> Hi, ich hatte dir per Mail mein (sehr brauchbares) Ergebnis mit
> Tesseract geschickt.

hi Soeren,

  Besten Dank, das ist angekommen (nix spam) und insofern perfekt 
gelungen das nun pdftotext korrekten Text extrahiert.
  (die diversen Spalten sind nun untereinander, ich muss also die Zeilen 
wieder rekonstruieren. Das soll nun aber nicht mehr Dein Problem sein 
und auch nicht Diskussionsgegenstand in diesem Thread)

  Du schreibst Du hast das mit tesseract erzielt. Also sollte ich das 
doch offline bei mir auch erreichen...  (ich mag online-Dienste nicht 
und Du nicht monatlich Post von mir :-)

  Ist Dir Font-mässig irgendwas aufgefallen?  Wie ich weiter oben 
schrieb, ist bei mir die Anzeige am Bildschirm so "Fax-Mässig"; dies 
scheint ebenfals auf die Bildzwischenstufe welche ich per convert 
produziere zuzutreffen.
  Ich kann jedoch nicht eruieren welchen Font ich ggfs. nachinstallieren 
soll...

Gruss,
Leo

Teste bitte mal:

--> png erstellen mit imagemagick und 200dpi

convert -density 200 -flatten pdfdatei.pdf pngdatei.png
tesseract -l deu pngdatei.png pdfdatei-neu pdf

Ich habe das unter Ubuntu schon mit
pdftoppm xxxxxxx.pdf pdfimg -png
und anschließendem gimagereader versucht. Da kommt leider nur reiner 
Text und einige Lesefehler, aber besser als nichts.

> Evtl. gibt die Ausgabe von "pdffonts" Hinweise ob das loesbar ist.

das hatte ich bereits vor dem eroeffnen dieses Thread abgeklopft

1

$ pdffonts workcopy-11.pdf 

2

name                                 type              encoding         emb sub uni object ID

3

------------------------------------ ----------------- ---------------- --- --- --- ---------

4

[none]                               Type 3            Custom           yes no  no       9  0

5

$

Wie heisst nun der verwendete Font?  Uneruierbar...

Mit den Kontoauszügen der Deutschen Bank gibt es ein ähnliches Problem. 
Abhilfe gibt es über den Umweg PDF->PS->PDF:

1

pdf2ps vorher.pdf - | ps2pdf - nachher.pdf

Aus dem erzeugten PDF sollte nun der Text extrahiert werden können.

> Abhilfe gibt es über den Umweg PDF->PS->PDF:pdf2ps vorher.pdf - | ps2pdf
> - nachher.pdf
>
> Aus dem erzeugten PDF sollte nun der Text extrahiert werden können.

sehr interessant, klapp jedoch hier leider auch nicht.
Das Ergebnis ist (selbst auf der Systemkonsole!) als waere es in 
Zapfdingbats o.ae. Symbolschrift geschrieben (Sterne, Schere, Dreieck, 
Kreis, usw.)  :-/


  -|-  -|-

Fontextraktion:
> Hier gibts Vorschläge wie man dem evtl. beikommen könnte:
> 
<https://stackoverflow.com/questions/3488042/how-can-i-extract-embedded-fonts-from-a-pdf-as-valid-font-files>;

Volgende Versuche sind GESCHEITERT:
- gs mit extractFonts.ps
- fontforge  (core dump!)

Bei pdf2ps bin ich zu wenig fluessig in PS um das gemaess Angabe von 
Hand im Editor rauzudroeseln. Zu sehen sind 160 Zeilen mit

1

%%BeginResource: file (PDF CharProc obj_32)

zu finden, wobei die "Zahl" bei obj_xx mit wenigen luecken von 10..167 
geht. Das duerften die Zeichendefinitionen des irgendwie eingebetteten 
und namenlosen Fonts sein.

Den weg mit *pdf-parser.py* braucht etwas mehr Zeit und Einarbeitung...

OT:

Leo K. P. schrieb:
> Den weg mit *pdf-parser.py* braucht etwas mehr Zeit und Einarbeitung...

haha: geiles Markup-Rendering hier ;-)   Weiss das der Chef?

oszi40 schrieb:
> Wahrscheinlich ist wie oben genannt der "Druck in eine Datei" die
> einfachste Variante zur späteren Bearbeitung?

Ich weiss genau was Dieter Quackenbusch meint; unter Windows.
Ich habe jedoch kein Windows hier (Zum 2. und letzten Mal)

Ich bekomme zwar ein "Generic Printer" (Text-only) eingerichtet, jedoch 
NUR im zusammenhang mit einer echten SCHNITTSTELLE.
In den zugehörigen Druckdialoge ist dann nichts von "umleitung in Date" 
o.Ä. zu finden.
Natuerlich finde ich einen voreingerichteten virtuellen Drucker: diese 
ist aber NICHT "text-only" sondern erzeugt PDFs. Ich starte ja bereits 
mit PDF!!!

Moment mal: nach dem Hinweis zur Deutschen Bank muss ich nun was 
probieren gehen...

Leo K. P. schrieb:
> Moment mal: nach dem Hinweis zur Deutschen Bank muss ich nun was
> probieren gehen...

Nein: das original-PDF via virtuellen PDF-Drucker gedruckt und dann 
durch pdftotext ergibt genauso Buchstabensalat.

Sinnloses probieren mit den auf diesem Weg selektierbaren Varianten 
-->PS oder -->SVG bleibt wohl ...sinnloses probieren.

oszi40 schrieb:
> Ganz dumm gefragt: Kann der Erzeuger kein besseres Format liefern?

Die Antwort lautet soweit:
"Wegen 1 Kunde stellen wir nicht den ganzen Prozess um."


Bedenke: das sind die Telefonverbindungsdetails; diese werden sicher 
nicht durch Mausschubser fuer jeden Kunden einzeln angefertigt sondern 
werden aus dem "Telefonnetz" automatisch generiert.
Das Dokument scheint (zumindest mir als nicht in der Druckbranche 
heimischen) mit dem gleichen Font gesetzt zu sein wie andere 
Korrespondenz der Firma, nichtmal ein firmenspezifischer Briefkopf ist 
da drin.

Bis letzthin wurde dies auf Papier per Brief zugestellt - neu muss ich 
als Kunde dies selber als PDF abholen.
Ich freute mich dass ich nun dank el.Format (eben PDF) eigene 
Auswertungen skripten kann - leider Fehlanzeige solange ich nicht 
irgendwie an den Text gelange.

Ausser ich mache dies per OCR, was sich jedoch ABSURD anfuehlt da im PDF 
eben gar kein BILD drin steckt...

So langsam glaube ich an "EDV == Ende" Der Vernunft.

Soeren K. schrieb:
> Teste bitte mal:
>
> --> png erstellen mit imagemagick und 200dpi
>
> convert -density 200 -flatten pdfdatei.pdf pngdatei.png
> tesseract -l deu pngdatei.png pdfdatei-neu pdf

SEHR GUT :-)

ich habe eine kleine Versuchsreihe gemacht:

1

$ for DENS in 100 150 200 220 250 280 330 400

2

do

3

  convert -density $DENS  -flatten  workcopy-11.pdf  -  \

4

    tesseract  -l deu  stdin  convert__dens${DENS}-11.txt

5

done

6

$ 

7

$ wc -l convert__dens*txt

8

   79 convert__dens100-11.txt

9

   82 convert__dens150-11.txt

10

   74 convert__dens200-11.txt

11

   76 convert__dens220-11.txt

12

   72 convert__dens250-11.txt

13

  345 convert__dens280-11.txt

14

  354 convert__dens330-11.txt

15

  347 convert__dens400-11.txt

16

 1429 total

17

$

  hierbei unterscheiden sich die Ergebnisse mit 200/220/250 dpi 
untereinander nur in ein paar LEERZEILEN  :-)  der erkannte Text ist in 
diesen 3 Dateien IDENTISCH, korrekt (Stichprobe) UND die Datenzeilen 
bleiben erhalten (kein um-zu-ordnen der Spalten noetig).

  Hoehere Zahl an dpi bringt nur wieder die Spalten untereinander, was 
ich separat wieder umordnen muesste.


  An dieser Stelle ein grosses Dankeschön an alle welche konstruktiv 
in diesem Thread an meinem Problem mitgemacht haben, insbesondere an 
Soeren: von ihm kam entscheidende Unterstuetzung zu meinen ersten 
Gehversuche in OCR.

  -|-  -|-

Natuerlich empfinde ich es als aergerlich ein elektronisches Dokument 
(PDF) geliefert zu bekommen welches Text (keine Bilder) enthaelt, dieser 
Text sich aber nur ab Bildschirm/Papierdruck abgelesen weiterverwenden 
laesst.

Dass nun OCR abhilfe bringt ist zwar ein Zeugnis der Leistungsstärke 
heutiger Algorithmen, in diesem Einsatz jedoch bleibt mir der schale 
Nachgeschmack von "mit Kanonen auf Spatzen geschossen" zu haben.

Der Umweg über die OCR ist eine Notlösung: Analogisierung und dann 
wieder Digitalisierung.

Das digitale Dokument wird vom PDF-Reader richtig dargestellt, also muss 
das Dokument die Codierungsinformation enthalten, also muss es möglich 
sein, das Dokument digital bearbeiten zu können.

Oder irre ich mich?

Georg M. schrieb:
> Das digitale Dokument

Irre ich mich oder existiert das digitale - pdf Dokument nicht?

Leo K. P. schrieb:
> An dieser Stelle ein grosses Dankeschön

Gern.

Ansonsten: So wie ich den Header/ die strings (bash: strings XXX.pdf) 
der Datei gedeutet habe wird die mit hornalter (2005) Sofware erstellt, 
leider fehlt mir da der Hintergrund was da genau passiert, ich vermute 
aber auch einen Zusammenhang mit der Schriftart. Sicher kann man da über 
Umwege und der Font wieder zurückkommen - doch warum wenn es so 
funktioniert. Nur für den Ehrgeiz? Da bin ich leider raus, verfolge das 
Thema aber gerne lesend weiter.

PS: Wenn du sowas oder andere "Konvertierungen" professionell brauchst, 
mit API und SLA --> PM ;-)

michael_ schrieb:
> Sollte aber gehen.

An diesem PDF-File kann man üben:

http://www.brak-mitteilungen.de/media/BRAK_2015_01.pdf

> Mit der Maus kann man aber unbeliebte Inhalte umgehen.
  nicht in meinem Fall: wie ich bereits im gestrigen Post von 12:23 
beschrieben habe.  Mausefalle = Mouse FAIL.

> Libreoffice und FF PDF-Reader sind sicher verwandt.
  FALLS die Verwandtschaft zutreffen sollte, WÜRDEN beide auch unter den 
selben Limitierungen leiden.

> Sollte aber gehen.
  Haette, Taete und Sollte - 3 Brueder die gingen zusammen ...den Bach 
runter.

> Wäre für Sehbehinderte sicher interessant.
  heisser Aspekt der Sache!

c.m. schrieb:
> ich vermute jetzt mal ins blaue hinein, dass der inhalt der
> originaldatei kein text ist, sondern in irgendeiner art bilder mit
> positionierungsverweisen.

Falsche Vermutung.
Zumindest kann pdfimage zwar an die 270 Bilder extrahieren, nach 
kurzer Schnellsichtung sind dies jedoch echte Bilder (Deko, Hintergrund, 
Kunstvolle Überschriften, usw.) und haben nix mit dem Text an sich zu 
tun.

1

$ pdfimages -list BRAK_2015_01.pdf 

2

page   num  type   width height color comp bpc  enc interp  object ID x-ppi y-ppi size ratio

3

--------------------------------------------------------------------------------------------

4

   1     0 image     100     1  index   1   8  image  no      1969  0    12 0.632  100B 100%

5

   1     1 image      35    50  icc     3   8  jpeg   no      1971  0   100   102  808B  15%

6

   1     2 image      35    50  icc     3   8  jpeg   no      1972  0   100   102  918B  17%

7

:

8

:

9

  76   271 image      82   250  icc     3   8  jpeg   no      1031  0    33   305 1082B 1.8%

10

  76   272 stencil   463   207  -       1   1  ccitt  no      1032  0   300   300  822B 6.9%

11

$

Nach pdf2ps sind auch hier drinne massenhaft PDF CharProc zu finden; 
meine Vermutung wie oben: Zeichendefinitionen fuer reinverklausulierte 
Fonts.

1

$ pdf2ps BRAK_2015_01.pdf - | grep -ic 'PDF CharProc obj_'

2

21087

3

$

Da es sich um ein Dokument aus Anwaltsdunskreisen handelt, wuerde ich 
mich nicht mal wundern wenn eine Weile nach Druck auf Papier sich auch 
noch die Tinte verfluechtigt...  nach e-Ink ist das dann der A-Ink ;-)

Zitat:
"Often this is done on purpose. I have seen documents that randomly 
remap characters differently for each font in the dot. It is used as a 
form of obfuscation and the only real way to extract text from these 
PDF's is to resort to OCR. There are many financial reports that use 
this type of trick to stop people from extracting their data.

Also, Identity-H is just a 1:1 character mapping for all characters from 
0x0000 to 0xFFFF. ie. Identity is an identity mapping.

Your real problem is the missing /ToUnicode entry in this PDF. I suspect 
there is also an embedded CMap in your PDF that explains why there could 
be 3 bytes per character."

https://stackoverflow.com/questions/17193839/where-can-i-a-mapping-of-identity-h-encoded-characters-to-ascii-or-unicode-chara

nun, das Dokument scheint vor 15 Jahren mit Ghostscript unter Unix und 
LaTex oä. erstellt worden zu sein.
Es hat keine Restriktionen, mit Schrifttyp 3.
Konnte nichts mit Copy und Paste erreichen. Einzig in Acrobat unter OCR 
das hat funktioniert und als Docx Datei abgespeichert. Ein bischen 
holprig, aber wenn man es 3 x gemacht hat dauert es keine 3 Min.

Leo K. P. schrieb:
> Was bisher scheiterte (alle produzieren nur Zeichensalat):

Ich habe die Erfahrung gemacht, daß die verschiedenen Online-Konverter 
sehr unterschiedliche Ergebnisse liefern d,.h. da stecken schon 
konzeptionellell sehr unterschiedliche Verfahrensweisen dahinter.

https://www.zamzar.com/de/convert/pdf-to-txt/
https://www.pdf2txt.de/
http://pdftotext.com/de/
https://www.onlineconverter.com/pdf-to-txt

Vielleicht kann einer davon deine Datei wandeln.

es sieht doch eher so aus als wäre der Text in Bitmap
(Raster Fonts)umgewandelt worden.
Da wird es mit dem extrahieren und copy and paste wohl nichts, eher nur 
mit dem OCR Verfahren funktionieren.

Hab mir mal die Seite von Tom Rokicki und seiner Radical Eye Software 
angeschaut. Interessant

https://en.wikipedia.org/wiki/Dvips
http://tug.org/texinfohtml/dvips.html
http://www.radicaleye.com/

When producing postscript files, dvips embeds fonts inside the file. 
Most recent distributions will normally embed scalable fonts, also known 
as Type 1 fonts. Files generated with older distributions, however, may 
embed raster fonts. To substitute raster for scalable fonts in a 
postscript file in a situation where the original dvi file is 
unavailable use a utility called pkfix.

michael_ schrieb:
> Ich habe jetzt nochmal ein PDF im AR X aufgemacht.

Irgendeine PDF-Datei oder eine von den spezielleren, um die es hier 
geht?

Hast Du das mit der hier verlinkten Datei hinbekommen?

Beitrag "Re: Knacknuss Text aus PDF extrahieren"

Klaus forrestjump, ich danke Dir auch fuer die Analyse.

> nun, das Dokument scheint vor 15 Jahren mit Ghostscript unter Unix und
> LaTex oä. erstellt worden zu sein.

Ja, sowas erzaehlt pdfinfo.

> Es hat keine Restriktionen, mit Schrifttyp 3.
> Konnte nichts mit Copy und Paste erreichen. Einzig in Acrobat unter OCR
> das hat funktioniert und als Docx Datei abgespeichert. Ein bischen
> holprig, aber wenn man es 3 x gemacht hat dauert es keine 3 Min.

  Nochmals Danke fuer deine Zeit.
  Dein OCR ist in der Tat etwas holprig: viele "0" wurden als "D" 
uebernommen.

  Dank Sören habe ich den Schuloeffel zu OCR mit tesseract gefunden 
und da ist die Trefferquote hoeher. (s. o.)
  Ich werde spaeter noch Versuche anstellen mit vorgegebenem Wörterbuch 
weil in diesen Tabellendaten keine Prosa vorkommt.
  Die beste Vorbereitung fuer OCR ist wohl der "Richtige[TM]" Satz an 
parameter fuer convert ; ein dicker Brocken wenn man nicht aus der 
Druck-/Bildbearbeitungsbranche kommt...


Klaus B. schrieb:
> Hab mir mal die Seite von Tom Rokicki und seiner Radical Eye Software
> angeschaut. Interessant

  Interessant in der Tat: so kommen die Erklaerungen zusammen :-)

  pkfix will ich auch noch probieren. Fuer 12kB "Perlscript" 
installieren sich gerade 600MB an neue Pakete...
  Die Hoffnung dass dies noch was bringt habe ich jedoch an einem 
kleinen Ort.

michael_ schrieb:
> Im AR wird noch die Umwandlung in Word/Excel angeboten.
> Wer noch mehr will, installiert eben den Adobe Acrobat.

Ganz sicher auf Linux.
Wer lesen kann ist klar im Vorteil.


michael_ schrieb:
> Leo K. P. schrieb:
>> Natuerlich empfinde ich es als aergerlich ein elektronisches Dokument
>> (PDF) geliefert zu bekommen
:
> Von was redest du nun?
> Was ist dein .PDF?

  meine Datei welche ich wegen Datenschutz nicht hier im Forum 
beifuege.

> Leo K. P. schrieb:
>> Falsche Vermutung.
>> Zumindest kann pdfimage zwar an die 270 Bilder extrahieren, nach
:
> Von was redest du nun?
> Was ist dein .PDF?

  die verlinkte von BRAK.

  Ich bitte um Entschuldigung fuer die Verwirrung.


  Frei nach G.Orwell "alle PDF sind gleich, nur einige sind gleicher.".

  Der Fokus dieses Threads ist wie man bei solchen "gleicheren" PDFs an 
den Text gelangen kann.

michael_ schrieb:
> Um die Monster PDF vom Georg geht es doch hier nicht.
> Das ist nicht der Maßstab!

Natürlich ist das der Maßstab.

Es geht nicht darum, stinknormale Standard-PDF-Dateien zu verarbeiten. 
Das funktioniert, das ist bestens bekannt, dafür gibt es zig Tools. Bei 
stinknormalen Standard-PDF-Dateien steht der Nutztext als lesbarer Text 
in der Datei drin.

Hier geht es aber um PDF-Dateien, bei denen der Nutztext eben nicht als 
lesbarer Text drinsteht, und bei denen jedes Tool zur Textextraktion 
versagt, das nicht OCR verwendet.

Wie solche PDF-Dateien funktionieren, ist auch klar: Der zur Anzeige 
verwendete Font wird auf eine eigene Zeichenbelegung heruntergebrochen 
(nämlich nur die Zeichen, die tatsächlich verwendet werden), die 
Zeichencodes neu numeriert und der Text in diese neue, individuelle 
Codierung übersetzt.

Beispiel:
Es werden ausschließlich die Ziffern von 0-9 und der Dezimalpunkt 
dargestellt.

Der reduzierte Zeichensatz enthält also nur die Glyphen . und 0-9. Diese 
elf Zeichen werden mit den Zeichencodes 0-10 neu belegt, und zwar so:

. = 0
0 = 1
1 = 2
2 = 3
...
9 = 10


Soll nun der Text "123.45" im Dokument codiert werden, steht dort nicht 
die Zeichenfolge 0x31 0x32 0x33 0x2e 0x34 0x45, sondern die Zeichenfolge 
0x02 0x03 0x04 0x00 0x05 0x06


Das entscheidende ist: Die Tabelle oben ist nirgends im Dokument 
enthalten, sie geht bei der Dokumentenerstellung verloren und kann nur 
durch Analyse der den Zeichencodes zugeordneten Bilder (Glyphen) 
rekonstriuert werden.


Wird es klarer?

Rufus Τ. F. schrieb:
> Das entscheidende ist: Die Tabelle oben ist nirgends im Dokument
> enthalten, sie geht bei der Dokumentenerstellung verloren und kann nur
> durch Analyse der den Zeichencodes zugeordneten Bilder (Glyphen)
> rekonstriuert werden.

Im Prinzip ja. Offenbar kann man die Tabellen bei Verwendung bekannter 
Fonts rekonstruieren. Ich vermute, dass das in meinem Fall 
(Kontoauszüge, s.o) erfolgreich war.

hallo zusammen,
kann man denn jetzt,zeilen oder nummern von einer telekom evn pdf 
entfernen oder löschen?
oder geht das nicht?

für eure hilfe wäre ich dankbar!!!