pdf2HtmlEX - текст на html отличается от исходного pdf - PullRequest
Новая
       39

pdf2HtmlEX - текст на html отличается от исходного pdf

0 голосов
/ 06 сентября 2018

Я использую в pdf2htmlEX для преобразования PDF-файлов в HTML. Я также извлекаю текст из файла впоследствии.

Проблема:

Я столкнулся с файлом, что текст в преобразованном html не читается: https://dspace.mit.edu/openaccess-disseminate/1721.1/101159

Команда, которую я использую: 

pdf2htmlEX --tounicode 1 ./file.pdf

Текст в html имеет много пробелов и много кавычек - enter image description here

[2] "М." Ха-хан, "О.", Арби, "Ф.П." a m p a na, "R." K öt z, "R." Alla y, "A p p л. "Физ." A: "M a te r." S ci. "P ro ce сс. "8 2" (2 00 6) "

Установка других значений для аргумента --tounicode делает текст бессмысленным.

Существует онлайн-инструмент, который использует эту библиотеку, и созданный там HTML-файл просто великолепен, что делает его не ошибкой pdf2htmlEX, а проблемой конфигурации или версий. Может быть что-то, связанное с попплером или шрифтом.

Версии: 

pdf2htmlEX version 0.14.6
Copyright 2012-2015 Lu Wang <coolwanglu@gmail.com> and other contributors
Libraries: 
  poppler 0.54.0
  libfontforge 20180906
  cairo 1.14.6
Default data-dir: /usr/local/share/pdf2htmlEX
Supported image format: png jpg svg

Есть предложения?

1 Ответ

0 голосов
/ 16 сентября 2018

Я думаю, что следующие два шага будут работать:

  1. Удалите ненужные пробелы и кавычки с помощью регулярного выражения.
  2. Поместите / добавьте тег абзаца для каждой ссылки, как показано ниже: 
<div>
::before
<p>[2] something </p>
::after
</div>
...