知る人ぞ知るテキスト形式変換コマンド「textutil」の謎を解く (1/2)
本連載「Apple Geeks」は、Apple製ハードウェア／ソフトウェア、またこれらの中核をなすOS X／iOSに関する解説を、余すことなくお贈りする連載です（連載目次はこちら）。 UNIX使い向けを始め、Apple関連テクノロジー情報を知りつくしたいユーザーに役立つ情報を提供します。 ご存じのとおり、文章をファイルに残す際には「フォーマット」が重要な意味を持つ。文字修飾が必要なければプレーンテキスト（*.txt）、基本的な文字修飾と図版の使用程度で足りるのならばリッチテキスト（*.rtf）、高度なレイアウトが必要であれば各種ワープロ文書（*.doc／*.docx、*.pagesなど）。各フォーマットに直接の互換性はないので、ファイルを受け取った側はそのフォーマットに対応するアプリケーションを用意しなければならない。 プレーンテキストの場合、文字エンコード形式の問題もある。OS Xの場合
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
xpdfを使ってPDFから日本語抽出 | akkunchoi@github
環境はMacOSX, homebrewです。 homebrewでxpdfをインストールする。 $ brew install xpdf 動作確認。 $ pdftotext hoge.pdf 日本語が含まれる場合、このようなエラーが出る。 Error: Unknown character collection 'Adobe-Japan1' 調べてみると日本語用の設定が必要なようだ。 xpdfのサイトからLanguage Support Packagesの xpdf-japanese.tar.gz をダウンロード。 解凍したものを /usr/local/share/xpdf/japanese に配置する。 /usr/local/etc/xpdfrc に add-to-xpdfrc の内容を追記する。 ここまでだと、エラーはなくなるが、日本語が読み飛ばされる。textEncoding設定のコメント
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
