PEPAK: Zkus si libovolny pdf, FR8 pri extrahovani textu z textove vrstvy pdf provadi jednu docela zajimavou vec. Z textove vrstvy podle me bere jenom obsah textu, ale lamani textu (konce radku, konce odstavcu) vklada podle rozlozeni na strance. Timhle zpusobem dostanes vetsinou skoro bezchybne zalamany text, ktery se da dal bez problemu zpracovat.

Ale samozrejme to ma i sve chybky :) viz treba neumi korektne nacist ligatury atd... treba vcera jsem narazil na "drobny" problem kdy v pdf mistama mezi slovy neni znak mezera, ale jenom roztazene cosi a pak je docela problem :p

FERRYH: Tohle mi připadá jako přesně ten případ, na který já jsem dosud nenarazil, kdy je textová vrstva v pořádku a dá se použít. To pak samozřejmě není problém vytáhnout prostý text. To pak ale nepotřebuješ FineReader 8, to ti stačí vcelku libovolný nástroj pro konverzi PDF do čehokoliv. Nejspíš bys dostal dobré výsledky i s Calibre, kdyby to PDF bylo ve starší verzi specifikace, kterou Calibre umí.

Oprav mě, jestli se mýlím a je v tom něco víc, ale jen tak experimentálně jsem vyzkoušet dva PDF do HTML konvertory a výsledky jsou v rámci možností dost podobné jako to, co jsi dal jako příklad výstupu FR8.

tady mas malou ukazku z FR8 a FR9 - obe se stejnym nastavenim moznosti exportu do .doc ... a FR8 ma zaple, aby nedelal OCR ale native pdf text.
predpokladam. ze mas FR9, takze jsem to druhe vyjel v nem..
kdyz ne, zkus si tu ukazku pdf sam ... a porovnej s tim co dava FR8.
http://goa.misto.cz/tmp/ukazka/pack.zip
nekde jsme nedavno sehnal portable verzi FR8 abych to nemusel instalovat a netriskalo se mi to s tema novejma... pokud chces testnout, muzu to zkusit jeste nekde sehnat.. co vim tak FR8 snad byl dokonce rozdavanej zadara ke skenerum, ale pak skoncili a davaj uz jen nejakou orezanou verzi FR10...

FERRYH: Nerozumím. Vím jen o dvou způsobech, jak z PDF dostat text - číst tu textovou vrstvu, nebo OCRkovat vizuální výstup. OCR celkem pochopitelně vede na OCR chyby, textová vrstva byla ve všech mnou testovaných PDF zcela nepoužitelná. To, co píšeš, chápu tak, že existuje ještě třetí způsob vytahování textu, který nemá chyby předchozích dvou, ale nerozumím tomu, odkud tedy bere data.

PEPAK: ty mi nerozumis, udela to TOTEZ co udela FR kdyz dela OCR ... a ty take muzes pak udelat totez co delas TED (ulozit ... exportovat atd.) ... jen je to naprosto bez OCR chyb ... text je s 1:1 jen si formatovani udela stejne jako to je u OCR...

a pri PDF OCRkovani ten FineReader chyby dela... nerikej ze ne.. :o) je sice lepsi nez ze skenu, ale chyby tam jsou, nekdy i HODNE chyb a zakernejsich nez ty ze skenu...

FERRYH: K čemu by to přepínání bylo dobré? Textovou vrstvu PDF jsem příležitostně zkoumal už dříve a ještě jsem neviděl ani jeden soubor, kde by byla aspoň trochu použitelná.

PEPAK: zkus FR8 ... je to posledni starej finereader kterej umi prepinat nacitani textu z pdf v obou modech, teda jak native cteni textu (spatne kdyz je v pdf pouzitej starej nonUnicode font - primarne to blbne s cestinou, kdyz je to ze stareho apple nebo win95-8 pagemakera, quarkxpressu), tak pak i OCR textu pdf jako u vsech novejsich FR.

PS: JYRKA mi tvrdi, ze nejnovejsi ABBYY PDF Transformer 3 to umi take jako ta FR8 .. ale ja mu moc neverim... :o) ...vim ze ABBYY PDF Transformer byl vzdy jen orezanej Finereader a to prepinani tam nikdy nemel... a vzdy delal OCR textu pdf jako ty novejsi FR
... ovsem ruku do ohne za to nedam - ze to ten ABBYY PDF Transformer 3 nema... jsem linej to instalovat, uz tak mam tri abbyy v systemu... to mi staci, vic to zasirat nemusim :))

PEPAK: poslední dobou mám super zkušenosti s Acrobatem z CS6.
Když nepočítám to, že pokud je sazeč prase, tak nepomůže nic...

JYRKA: Ono skoro všechno, co není běžně formátovaný text. Ale přesto je to nesrovnatelně lepší než klasická konverze (v Calibre, PDF2HTML apod.).

PEPAK: Děláme to tak, nicméně ligatury v tom dělají dost bordel.

Lehce jsem teď zkoušel, jak pracovat s ne-obrázkovým PDF lépe než pomocí konverzí (které dávají naprosto nepoužitelné výsledky). A ukázalo se, že načíst PDF do FineReaderu a nechat to zOCRkovat jako obrázek dává u beletrie až překvapivě dobré výsledky - sem tam se naboří tok dokumentu (zejména kvůli obrázkům, které často vedou k přeházení odstavců) a je samozřejmě nutné předělat hlavičky kapitol, ale jinak mi vznikal docela parádní dokument s minimem chyb. Je to úplně nesrovnatelné s textovou vrstvou, kterou si PDF nese v sobě, a skoro bych řekl, že to je lepší než z kvalitního skenu.

Dotaz na typografické odborníky:
Jak správně napsat iniciálu na začátku kapitoly, pokud kapitola začíná přímou řečí (s uvozovkami).
- dolní uvozovku na začátku vynechat?
- dolní uvozovku přidat do iniciály?
- jinak?

GALENIUS: Vymazat ho přímo v obecném nastavení Wordu (v W2010: Možnosti-Obecné-Uživatelské jméno) a pak dokument uložit.

Vážení, nevíte někdo jak ve Wordu odstranit údaj o autorovi poslední změny? Přišel jsem na to, jak zrušit všechna metadata včetně autora, ale jestli jde zrušit pouze toto.

Díky

EPUB Straight to the Point - Powered by Kagi
http://store.kagi.com/cgi-bin/store.cgi?storeID=6FHNX_LIVE&page=IDCS55EPUBK&lang=en

Vypadá to docela užitečně a zajímavě.

No a kdo jste nečetl: http://epubsecrets.com/more-epub-resources-from-day-2-of-toc-2012.php

Docela zajímavý návod: http://twitpic.com/83kweq

Převádíme naskenované dokumenty a obrázky zpět na text -
http://cdr.cz/clanek/jak-prevest-obrazek-na-text

no pak to je asi nesporne (pro mne) FR11 - ma nejprivetivejsi uzivatelske prostredi...

takovej Omnipage .... z toho teda lezu po zdi!@! i kdyz ma v nejakych aspektech lepsi vysledky v chybovosti OCR, tak to prostredi je tak zmrsene, a tak silene neprivetive, ze ... no proste s nim delat nemuzu.. :)) privadi me to k silenstvi... a uz to odnesla jedna chudak logitech laser myska... triskl sem s ni tak, ze uz to nerozdejchala... :))

FERRYH: no asi to bude spíš o tom který sw mi umožní nejlíp ruční opravy během OCR procesu.

zkus Omnipage 11 slysel sem ze math symboly umi lepe....
z OCR na abbyy fineraedru bych to ani snad nezkousel... nikdy jsem nevidel dobrej vysledek... i kdyz ma pro tohle abbyy spec jazykovou sadu... pokud to je ale v rovne radce a nevybocuje moc z radkovani, tak mozna i ten abbyy finereader 11 ...ale pochybuju... se symbolama mimo bezne radkovani ma problem... a prave proto pak take dela blbe OCR math vzorcu... jak se mu to nevejde to "index dole" a "index nahore" je v pr**** :O))