PDF to HTML (есть ли такое?)

shau-kote · Сообщение **shau-kote** » 20.09.2010 16:21

Есть нужда конвертировать PDF файл в HTML. Подскажите, пожалуйста, есть ли такое и как его звать?..

Сообщение **/dev/random** » 20.09.2010 16:25

Качественно преобразовывать PDF в HTML не умеет никто. А если устраивает необходимость править потом руками, то попробуйте утилиту pdftohtml из комплекта poppler.

shau-kote · Сообщение **shau-kote** » 20.09.2010 17:06

Поставил, запустил:

Код: Выделить всё

pdftohtml -enc UTF-8 -p in.pdf out.html

А в out.html сплошные крякозабры... :( Что не так?
З.Ы. Локаль - utf8.

Сообщение **/dev/random** » 20.09.2010 17:27

Команда написана правильно. Возможно, для данного конкретного pdf-файла неправильно определилась кодировка. Скопипастите сюда кусок "кракозяблов" (если не содержит конфиденциальной информации).

Сообщение **/dev/random** » 20.09.2010 17:32

Upd: и ещё. Загляните в html-файл текстовым редактором, будет ли кодировка правильной в этом случае?

shau-kote · Сообщение **shau-kote** » 20.09.2010 17:54

/dev/random писал(а): ↑
20.09.2010 17:27
Скопипастите сюда кусок "кракозяблов" (если не содержит конфиденциальной информации).

Нету, это "UNIX. Программное окружение."

:

Код: Выделить всё

а�аБб�аЕаМ 26 аПаЕб�. аЛ. аЂаИб�аАаЖ 3000 б�аКаЗ. а�аАаКаАаЗ N
а�б�аПаЕб�аАб�аАаНаО б� аДаИаАаПаОаЗаИб�аИаВаОаВ аВ а�аКаАаДаЕаМаИб�аЕб�аКаОаЙ б�аИаПаОаГб�аАб�аИаИ ТЋа�аАб�аКаАТЛ а а�а�
199034, аЁаАаНаКб� а�аЕб�аЕб�аБб�б�аГ, 9 аЛаИаНаИб�, 12.
а�аГаЛаАаВаЛаЕаНаИаЕ
а�б�аЕаДаИб�аЛаОаВаИаЕ  . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1. UNIX аДаЛб� аНаАб�аИаНаАб�б�аИб� . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15

/dev/random писал(а): ↑
20.09.2010 17:32
Upd: и ещё. Загляните в html-файл текстовым редактором, будет ли кодировка правильной в этом случае?

Нет, не будет, те же крякозябры.

З.Ы. Декодер студии Лебедева утверждает, что это ISO-8859-5.

20.09.2010 18:01

shau-kote писал(а): ↑
20.09.2010 17:54
а�аБб�аЕаМ 26 аПаЕб�. аЛ. аЂаИб�аАаЖ 3000 б�аКаЗ. а�аАаКаАаЗ N

=«объем 26 печ. л. Тираж 3000 экз. Заказ N»

shau-kote писал(а): ↑
20.09.2010 17:54
а�б�аПаЕб�аАб�аАаНаО б� аДаИаАаПаОаЗаИб�аИаВаОаВ аВ а�аКаАаДаЕаМаИб�аЕб�аКаОаЙ б�аИаПаОаГб�аАб�аИаИ

=«Отпечатано с диапозитивов в академческой типографии»

Ну, и т.д. С русским языком во всех этих PS и PDF — вечные проблемы.

shau-kote писал(а): ↑
20.09.2010 17:54
утверждает, что это ISO-8859-5.

Возможно. Только ещё мусор какой-то понавставлен между буквами.

Сообщение **/dev/random** » 20.09.2010 18:07

watashiwa_daredeska писал(а): ↑
20.09.2010 18:01
Возможно. Только ещё мусор какой-то понавставлен между буквами.

Этот мусор - из-за двухкратного преобразования из однобайтовой кодировки в многобайтовую. Осталось определить, из какой в какую.

shau-kote · Сообщение **shau-kote** » 20.09.2010 18:31

/dev/random писал(а): ↑
20.09.2010 18:07
Осталось определить, из какой в какую.

Эээ... А как?..

Сообщение **/dev/random** » 20.09.2010 18:37

shau-kote писал(а): ↑
20.09.2010 18:31
Эээ... А как?..

Что скажет
iconv -f utf-8 -t iso-8859-5 файл
? Начнёт нормально перекодировать или ругнётся на неправильный символ?

shau-kote · Сообщение **shau-kote** » 20.09.2010 18:42

/dev/random писал(а): ↑
20.09.2010 18:37
Что скажет
iconv -f utf-8 -t iso-8859-5 файл
? Начнёт нормально перекодировать или ругнётся на неправильный символ?

Ругнётся:

Код: Выделить всё

[shau-kote:~]% iconv -f utf-8 -t ISO8859-5 UNIX.pdf
%PDF-1.5
%iconv: недопустимая входная последовательность в позиции 10
[shau-kote:~]%                                                              :(

Сообщение **/dev/random** » 20.09.2010 18:52

shau-kote писал(а): ↑
20.09.2010 18:42
iconv -f utf-8 -t ISO8859-5 UNIX.pdf

Прошу прощения, я недостаточно ясно сформулировал. Я имел в виду HTML-файл.

shau-kote · Сообщение **shau-kote** » 20.09.2010 19:22

Код: Выделить всё

[shau-kote:~]% iconv -f utf-8 -t ISO8859-5 Texts/UNIXs.html
<!DOCTYPE HTML PUBLIC "-//W3C//DTD HTML 4.01 Transitional//EN"><HTML>
<HEAD>
<TITLE></TITLE>
</HEAD>
<BODY>
<A name=1></a>THE UNIX&nbsp;<br>
PROGRAMMING&nbsp;<br>
ENVIRONMENT<br>
<i>Brian W. Kernighan, &nbsp;Rob Pike</i><br>
PRENTICE HALL<br>
<hr>
<A name=2></a>¿À&nbsp;¾³À°¼¼½¾µ ¾ºÀöµ½¸µ<br>
<i>±àÐÙÐÝ&nbsp;ºÕàÝØÓÐÝ, &nbsp;ÀÞÑ ¿ÐÙÚ</i><br>
ÁÐÝÚâ&nbsp;¿ÕâÕàÑãàÓ&nbsp;iconv: недопустимая входная последовательность в позиции 423
[shau-kote:~]%

Да, если теперь HTML'ник просматривать less'ом, то начало у него читабельное. Но браузер всё равно крякозябры кажет. :(

sgfault · Сообщение **sgfault** » 20.09.2010 19:35

Если это был пример html-a

shau-kote писал(а): ↑

20.09.2010 17:54

Код: Выделить всё

а�аБб�аЕаМ 26 аПаЕб�. аЛ. аЂаИб�аАаЖ 3000 б�аКаЗ. а�аАаКаАаЗ N
а�б�аПаЕб�аАб�аАаНаО б� аДаИаАаПаОаЗаИб�аИаВаОаВ аВ а�аКаАаДаЕаМаИб�аЕб�аКаОаЙ б�аИаПаОаГб�аАб�аИаИ ТЋа�аАб�аКаАТЛ а а�а�
199034, аЁаАаНаКб� а�аЕб�аЕб�аБб�б�аГ, 9 аЛаИаНаИб�, 12.
а�аГаЛаАаВаЛаЕаНаИаЕ
а�б�аЕаДаИб�аЛаОаВаИаЕ  . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1. UNIX аДаЛб� аНаАб�аИаНаАб�б�аИб� . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15

и, тк судя по всему это utf-8, то какой смысл его конвертировать - он уже неправильный: символов U+fffd, насколько я понимаю, в нормальном тексте быть не должно. Возможно, он (html) просто неправильно записан изначально: т.е ошибка не в распознавании кодировки - ошибку делает pdftohtml, когда конвертирует файл.

Сообщение **/dev/random** » 20.09.2010 20:33

sgfault писал(а): ↑
20.09.2010 19:35
U+fffd, насколько я понимаю, в нормальном тексте быть не должно.

Я думаю, их повтыкал движок форума, на место каких-то неизвестных ему символов.

sgfault · Сообщение **sgfault** » 20.09.2010 20:50

/dev/random писал(а): ↑
20.09.2010 20:33
Я думаю, их повтыкал движок форума, на место каких-то неизвестных ему символов.

Аа.. может.

Тогда было бы интересно взглянуть на вывод od для html-a файла (или для той части, где "что-то не то").

Код: Выделить всё

od -Ax -tx1z file.html

shau-kote · Сообщение **shau-kote** » 20.09.2010 22:49

sgfault, весь вывод?.. Он ж там большой....

Я вот не понимаю сейчас почему браузер кажет крякозябры в файле, обработанном iconv, хотя cat и less показывают в нём нормальный русский текст?. :(

sgfault · Сообщение **sgfault** » 20.09.2010 23:28

shau-kote писал(а): ↑
20.09.2010 22:49
sgfault, весь вывод?.. Он ж там большой....

Вообще, можно было прикрепить и файлом, а можно было выложить только часть. Ну да неважно.

shau-kote писал(а): ↑
20.09.2010 22:49
Я вот не понимаю сейчас почему браузер кажет крякозябры в файле, обработанном iconv, хотя cat и less показывают в нём нормальный русский текст?.

Может потому, что браузер неправильно определяет кодировку?

shau-kote · Сообщение **shau-kote** » 21.09.2010 17:46

sgfault писал(а): ↑
20.09.2010 23:28
браузер неправильно определяет кодировку?

Спасибо, собака действительно была зарыта здесь. :) ОгнеЛис какого-то чёрта выставлял кодировку не в UTF-8, а в ISO-8859-5.

sgfault · Сообщение **sgfault** » 21.09.2010 18:03

Но вот я только так и не понял: в чем же, собственно, была причина? 'pdftohtml' записывал html-файл в utf8? Но тогда зачем его конвертировать в iso8859-5? Или у вас локаль не utf-8?

Сообщение **/dev/random** » 21.09.2010 18:08

sgfault писал(а): ↑
21.09.2010 18:03
Но вот я только так и не понял: в чем же, собственно, была причина? 'pdftohtml' записывал html-файл в utf8? Но тогда зачем его конвертировать в iso8859-5? Или у вас локаль не utf-8?

Нет, он записывал его дважды перекодированным.

sgfault · Сообщение **sgfault** » 21.09.2010 18:17

/dev/random писал(а): ↑
21.09.2010 18:08
Нет, он записывал его дважды перекодированным.

ээ.. не понял, это как ? Можно поподробнее ?

shau-kote · Сообщение **shau-kote** » 22.09.2010 15:57

Локаль-то utf-ная...
Как я понял, pdftohtml пишет нормально, в utf8, а вот ОгнеЛис почему-то полагает, что этот html'ник нужно открывать, применяя ISO8859-5.

unixforum.org

PDF to HTML (есть ли такое?)

PDF to HTML

Re: PDF to HTML

Re: PDF to HTML

Re: PDF to HTML

Re: PDF to HTML

Re: PDF to HTML

Re: PDF to HTML

Re: PDF to HTML

Re: PDF to HTML

Re: PDF to HTML

Re: PDF to HTML

Re: PDF to HTML

Re: PDF to HTML

Re: PDF to HTML

Re: PDF to HTML

Re: PDF to HTML

Re: PDF to HTML

Re: PDF to HTML

Re: PDF to HTML

Re: PDF to HTML

Re: PDF to HTML

Re: PDF to HTML

Re: PDF to HTML