サーバ上でPDFやオフィス文書からテキストを抜き出す方法あれこれ - 2010-08-02 - ククログ
groongaなどを使って全文検索システムを作るときは、PDFやオフィス文書などからテキスト情報を抜きだして検索用インデックスを作る必要があります。Windowsでテキストを抽出するソフトウェアとしてはxdoc2txtなどがありますが、ここでは、Linuxサーバ上でテキストを抽出する方法を紹介します。 PDF Linux上でPDFを閲覧する場合は、昔はXpdfでしたが、最近はEvinceやOkularの方がよく使われているようです。どちらもPDFの処理にはXpdfからforkしたPopplerというライブラリを使っています。 popplerにはPDFからテキストを抽出するpdftotextというコマンドが付属しているため、それを利用してPDFからテキストを抽出できます。 % pdftotext hello.pdf hello.txt これでhello.pdfのテキスト情報がhello.tx
Org Mode
Org Mode は、極めて柔軟な構造化されたプレーンテキストのファイルフォーマットです。いくつかのシンプルな要素で構成されているのに、多用途で、簡単なことから複雑なことまで対応します。つまり、初心者から熟練者まで幅広いユーザが満足できます。 Org Mode が提供する機能を以下に例示しました。そのパワフルさがひと目で分かります。（*で始まる）見出しをクリックしてみましょう。見出しに紐付いた構造化された記述が折りたたまれ、必要な情報だけが表示されるのを楽しんでください。 Metadata #+title: Example Org File #+author: TEC #+date: 2020-10-27 Outlining Headings and folding make structured editing a breeze. Plain text makes it easy to
Microsoft Office から PDF 形式で保存する場合に注意すること
Office 2007 にはプライバシー情報を削除する機能が搭載されていますが、公開用に PDF 形式で保存する場合、その機能を利用しても埋め込みオブジェクトのパス名など削除されない情報があります。 PDF 形式で保存する（ http://www.atmarkit.co.jp/fwin2k/win2ktips/908offpdf/offpdf.html ）際に、ファイル名を指定するダイアログに表示されている「オプション」ページを開き、「アクセシビリティ用のドキュメント構造タグ」チェックを外すと削除されるようです。 なんというか、「攻撃者のためのアクセシビリティ用のドキュメント構造タグ」あるいは「情報漏えい促進のためのドキュメント構造タグ」と呼んだ方が正確かも？ http://forums.adobe.com/thread/405476
1
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
処理を実行中です
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
