Tenho uma biblioteca pessoal razoavelmente grande com livros em vários formatos. Tentei organizar seus metadados, incluindo um campo de texto contendo os índices. No momento, estou usando o recurso 'Area Text Selection' do meu leitor de documentos para copiar o texto. Fazer isso para DJVUs com djview produz índices bem formatados, como este:
CONTENTS
1. EXPERIMENTS
1.1. The definition of an experiment ..... 1
1.2. Algebras of events as Boolean algebras .... 6
1.3. Operations with experiments ...... 9
1.4. Canonical representation of polynomials of events . . 12
....
Enfatizo que tudo o que fiz foi arrastar meu mouse pela página e clicar em "Copiar texto". Se eu tentar isso com um PDF, a estrutura será completamente perdida e terei que gastar algum tempo limpando a seleção de texto, movendo os números de página e seção. Posso obter algo assim:
Table of Contents
I
Introduction
1
Introduction
1.1
Table of Contents
1.2
Acknowledgments
1
3
3
6
II
....
Estou procurando um leitor de PDF que possa copiar o texto de forma similar, mas com a "estrutura" preservada. O fato de os leitores DJVU terem essa capacidade me diz que isso deve ser possível.
Nota: Não estou falando sobre extrair ToCs dos favoritos: muitos dos meus PDFs não têm nenhum. Eu também gostaria de evitar uma ferramenta CLI que tenha que processar o arquivo inteiro: eu só quero que ela pegue o texto que eu selecionar, mas com as quebras de linha e a estrutura geral intactas.
Mas você estaria enganado, em geral: os documentos DJVU contêm mais metadados originais; especialmente, se você tiver um DJVU de um livro, é provável que ele seja gerado diretamente da fonte TeX ou ROFF a partir da qual o livro foi criado e retém essas informações estruturais.
PDFs, por outro lado, geralmente são simplesmente "você coloca esta letra aqui, e a próxima letra exatamente ali, e a próxima letra exatamente ali...", de modo que um visualizador de PDF tem que "chutar" mais qual era o fluxo do texto quando você seleciona, copia e cola. E, muito tipicamente, os visualizadores de PDF simplesmente selecionam todos os glifos na ordem de produção pelo PDF (pense no PDF como algo que produz saída visível em vez de um texto simples com informações de embelezamento) entre o primeiro caractere que você cruzou ao começar a selecionar e o último caractere quando você parou. Se o seu índice for realmente armazenado em colunas, então isso pode surpreendentemente colocar toda a primeira coluna, no seu exemplo, "I", "1", ... primeiro, depois a segunda coluna.
Por exemplo, quando você pega esta página (de
802.11-2012.pdf),e selecione do primeiro "1." até algum lugar atrás de "Definições…", você obtém o seguinte em
atril:e o seguinte em
okular:Então, a estrutura que você espera simplesmente não está lá no documento, e dois visualizadores diferentes já interpretam qual era sua intenção ao selecionar coisas de forma diferente. E, ambos errados.
okulartem um select "retângulo" que essencialmente faz o mesmo que o select de texto "normal", mas exclui quaisquer caracteres que não estariam no retângulo. Então, embora inclua apenas as coisas corretas, não lhe dá a ordem correta.Agora, isso não significa que não haja um visualizador que seja melhor do que os outros, geralmente. Mas minha experiência é que há essencialmente tantas tentativas diferentes de fazer a coisa certa quanto há diferentes mecanismos de PDF, e com a quantidade de variação que você obtém, não há um vencedor claro. Enquanto acima,
atrilestava "menos errado" do queokular, o mesmo experimento com o ToC "blue book" do CCSDS 131.0-B-3 produz o bastante ridículo:onde
okulara seleção de área funciona um pouco melhorO único visualizador que funciona na maioria das vezes, mas é irritante de usar porque não permite que você inicie uma seleção dentro de qualquer coisa que seja um hiperlink em um PDF (e a maioria das entradas do ToC são, por natureza, hiperlinks) é (infelizmente?) o
chromiumvisualizador de PDF integrado do navegador. Então, talvez tente isso!Procurando ferramentas de linha de comando para extrair texto de um arquivo PDF em um sistema Ubuntu 24.04.1 LTS.
Usado
USB Type-C Spec R2.4 - October 2024.pdfpara o qual o GNOME Document Viewer 46.3.1 renderiza o conteúdo como:pdf2txt
pdf2txtversãov20221105saída do texto bruto no índice:Então, no texto extraído, os números de seção , título e página nem sempre se alinham. Ou seja,
pdf2txtnão ajuda.pdfparatexto
pdftotextversão24.02.0produz o seguinte texto:pdftotextparece fazer um trabalho melhor de ordenar os números de seção, títulos e números de página do quepdf2txtantes, mas ainda pode exigir algum pós-processamento manual.A outra resposta já explicou que o formato do documento PDF não foi projetado para retornar ao texto de origem em uma ordem coerente, o que explica as limitações dessas ferramentas.