PDFから「使える」テキストを取り出す（第1回） - golden-luckyの日記

PDFからテキストを取り出すのは、意外と大変です。 それにはいくつかの理由があるのですが、もっとも根本的な点で真っ先に解決が必要になるのは、人間が雑に文字としてみなしている絵（「グリフ」）をコンピューターで扱えるような「文字」にする方法です。 これには2つのアプローチが考えられます。 PDFビューワーでファイルを開いた状態から何とかしてテキストを読み取る PDFファイルの中身を解析してテキストを抜き出す このうち2つめの話は明日以降にして、今日は1つめの話をします。 PDFビューワーでファイルを開いた状態から何とかしてテキストを読み取る方法 この方法は、言ってみれば、人間もしくは人間のように振る舞うソフトウェアによりPDFビューワーの表示を「視覚的に読む」ということです。 これはPDFの本来の使い道に即した手法です。 PDFというのは、グリフ（文字の形）をページ上に表示するための汎用の仕組

[golden-lucky]

とりあえず大前提として、PDFに表示されてる文字は文字ではない、という話を書きました。

[TakamoriTarou]

PDFがePUBになれなかった理由は多分このあたりにあるんだろうなと思っている。もちろん、機能的には違うんだけども。PDFは歴史的経緯が多すぎて、故に汎用性が高いから価値はあるんだけども。

[t_f_m]

"1310ページもあると紙でめくったほうが目的の情報に素早く行き当たるので、当社ではすべて印刷してパラパラ眺められるようにしています"

[Nodaguti]

英単語テスト自動生成システムを作っていた時，問題文のソースとしてpdfで公開されているセンター試験や大学入試問題を使おうとしてハマったのを思い出した．ちょっと調べてこれは複雑すぎると思った覚えが...

[remcat]

>ISO 32000-2:2017の仕様書はISOから購入しなければならず、ぼくはこれを購入してないので

[vvakame]

つらみのはじまりだ…

[t2y-1979]

おもしろい

[hapicome]

アナログBBAには難しいけどとりあえずブックマーク。この2年間、補習校の資料作りでPDFとの闘いを繰り広げた。ヤツは画像。しかしその中の文字や数字が間違ってる時に直す手立ては切り貼りしかなかった(笑)