Merkwürdig codierte pdf-Datei

In dem Fall bestehen die Buchstaben aus Bilddaten, sind also kein 
tatsächlicher Text, und die Zuordnungen in der Datei sind falsch. 
Kaputtes OCR, oder Absicht – wobei es bei „Absicht” wohl einfacher 
gewesen wäre, überhaupt keine Zuordnungen einzubetten …

Taucher schrieb:
> Das sind die Glyphen, von denen DerEgon schrieb.

Nein. Das sind schlicht Bilddaten. Die Glyphen sind in der Zuordnung. 
Sowas produzieren beispielsweise OCR-Programme: angezeigt wird die 
gescannte Seite als Bild, man kann augenscheinlich trotzdem markieren – 
allerdings werden nicht die Sachen, die man sieht, markiert, sondern die 
Sachen, die intern mit der entsprechenden Stelle auf der Seite verknüpft 
sind. Und diese Zuordnung ist hier falsch.

Jack V. schrieb:
> Nein. Das sind schlicht Bilddaten. Die Glyphen sind in der Zuordnung.

Nein. Glyphen sind eine spezielle, individuelle bildliche Darstellung 
eines  Schriftzeichens. So kann etwa die Glyphe "Trema" je nachdem einen 
Umlaut oder eine Diaerese markieren (auch wenn man das bei Unicode 
anscheinend nicht so ganz kapiert hat).

Percy N. schrieb:
> Nein. Glyphen sind eine spezielle, individuelle bildliche Darstellung
> eines  Schriftzeichens.

Ich habe „Glyphen“ in diesem Kontext übernommen, damit dem Adressaten 
der Bezug klar ist.

Ist auch nicht der relevante Punkt – der ist, dass die PDF-Datei eben 
keinen Text mittels Font darstellt, sondern das, was man im Reader 
sieht, Bilder sind, die so in der Datei vorliegen, und man so eben gar 
nicht den „Text“ markieren/kopieren kann, den man sieht.

Es stünde dir gut, deine Pedanterie hier unter Kontrolle zu halten, btw. 
– oder aber deine Analysen korrekt durchzuführen.

Hast Du das Klirren vernommen?

MaWin schrieb:
> Jack V. schrieb:
>> In dem Fall bestehen die Buchstaben aus Bilddaten, sind also kein
>> tatsächlicher Text
>
> Nein.

Dann öffne diese Datei, und stelle die höchste Zoom-Stufe ein. Mach das 
mit einer Datei mit tatsächlichem Text. Vergleiche, und erkläre den 
Unterschied.

MaWin schrieb:
> Im offensichtlichen Gegensatz zu dir habe ich solche PDF mit embeddeten
> komprimierten Fonts schon erzeugt - das geht völlig anders als ein PDF
> von aufgereihten Bildern.

Und wie hast du’s gemacht, dass die Markierung nicht das erfasst, was 
dargestellt wird?

MaWin schrieb:
> So so.

… Bezug war Percys threadzerlegende OT-Spitzfindigkeit.

Der gimagereader braucht ziemlich lange, um nur diese Seite zu erkennen.
Für einen längeren Text wäre das nervenaufreibend.
Anscheinend wurden manche Zeichen durch Unicode ersetzt, hier der 
Apostroph, je nach Editor falsch dargestellt:
 the user’s requirements (clustered ‘on the fly’)

Jack V. schrieb:
> Bezug war Percys threadzerlegende OT-Spitzfindigkeit.

Leider hast Du nun einmal Unsinn erzählt; DerEgon hatte völlig Recht. 
Und da Du ja sicherlich nicht dumm genug bist, um im Irrtum beharren zu 
wollen, solltest Du Dich über die kleine Hilfe von der Seite eigentlich 
nur freuen.

Der PDF-Betrachter Okular will im markierten Text nach Telefonen suchen.

Taucher schrieb:
> Woran liegt das?

Woran das liegt, haben andere ebenso freundliche wie kompetente 
Teilnehmer dieses Threads ja schon erklärt. Der Vollständigkeit halber 
möchte ich allerdings darauf hinweisen, wie man trotzdem mit relativ 
überschaubarem Aufwand an den Inhalt der PDF-Datei als Plaintext kommt: 
zuerst wird das PDF mit pdftoppm in ein Netpbm-Bild konvertiert und 
dieses dann mit dem OCR-Programm tesseract in Text umgewandelt:

1

ein@typ$ ls

2

pdf-Codierung.pdf

3

ein@typ$ pdftoppm pdf-Codierung.pdf pdf-Codierung

4

ein@typ$ ls

5

pdf-Codierung-1.ppm  pdf-Codierung.pdf

6

ein@typ$ tesseract pdf-Codierung-1.ppm pdf-Codierung

7

Tesseract Open Source OCR Engine v4.1.1 with Leptonica

8

Warning: Invalid resolution 0 dpi. Using 70 instead.

9

Estimating resolution as 193

10

ein@typ$ head pdf-Codierung.txt 

11

(and user-unfriendly) Boolean logic is employed. Web search engines [...]

HTH, YMMV.

Edit: Typo korrigiert.

ja so ähnlich hatte ich das oben auch gemacht.
gimagereader ist eine graphische Oberfläche für tesseract und mit dem 
PDF-Betrachter Okular konnte ich die Seite als Bild abspeichern.

Die Methode Guttenberg (copy&paste) liefert mir diese Hexcodes eines 
Teilausschnitts. Interessant ist vielleicht die geringe Anzahl von 
High-Bits, was auch für eine Speicherung als Pixel spricht.

https://www.researchgate.net/publication/220551661_Hierarchical_word_clustering_-_Automatic_thesaurus_generation
hier kann man das PDF herunterladen, es ist anscheinend nachträglich mit 
dem Text hinterlegt, enthält auch OCR-Schreibfehler aber wenigstens 
durchsuchbar.