プログラマーから見たPDFファイル | アンテナハウス PDF資料室

PDFファイルをクリックすると、あたかも紙に印刷したかのように、どんなマシンでも同じような見た目で文章や画像がディスプレイに表示されます。 この単純な事実は、日常的にPDFファイルを利用していると当たり前に感じられるかもしれません。しかし、よくよく考えると驚くべきことです。 いったい、どのような仕組みがあれば、「過去から現在に至るさまざまな種類のコンピューターで見た目を変えずに同一の紙面を再現する」という目的を達成できるでしょうか？ そのような仕組みがけっして自明なものでないことは、コンピューターに少し詳しい人であれば容易に想像できると思います。 PDFファイルの中身には、この「多様なマシン環境で文書の同一の見た目を再現する」という目的にとって必要な要素がぎっしり詰め込まれています。 この目的に特化して開発されたファイルフォーマットと、それを解釈して表示するための専用アプリケーションが、「

[golden-lucky]

書きました！

[welchman]

テキスト抽出はxdoc2txtが便利ですよ。pdf以外にも、WORD,EXCEL,一太郎等にも対応。http://ebstudio.info/home/xdoc2txt.html

[jiro68]

そもそもPDF技術の元になったPostScriptがプリンターへの印刷や画面描画の為の言語だったから、意味のあるテキストを抽出するようになっていないよね。そういえばWYSIWYGなんて言葉はすっかり聞かなくなったな。

[koji28]

PDFからテキストを抽出してだな…という案件からは全力で逃げたほうが良いと改めて分かった(´・ω・`)(そこじゃない)

[Ho-oTo]

個人ブログで似た記事読んだことあるなと思ったら書いたの同じ人だった

[tinsep19]

これを読むに、一旦表示して、OCRで読ませる際に、フォントや文字のヒントを提供するみたいのが一番精度高そうなんかな？

[mayumayu_nimolove]

今までPDFのこんな濃厚な解説見たことない

[tettekete37564]

PDF は最終アウトプット、デジタル上の印刷物としてのフォーマットなのでデータソースとして使おうというのが間違いなんだが。

[sho]

結論が「pdftotextを使え。以上」みたくなってて笑った。まぁそうだよねぇ……

[toge]

各種ソフトで試しているの凄い！

[nekonyantaro]

PDFが凄い技術の詰まった物なのは良く判る。たまにテキストPDFなのに、コピペすると順番がグチャグチャになったり余計な記号が入るのがあるが、あれは何なの？

[misshiki]

PDFからテキストデータを抽出するなど、自分で実装することはたぶん一生ないけど気になる。

[anone200909]

分かり易くまとまっています。ただ、PDFからテキストを取り出すには、ここに書かれていることだけではまだまだたりなくて、他にもいっぱい課題があります。

[underd]

あとでよむ

[HHR]

コマンドかpythonが無難そう

[T-miura]

？？？javaでも、pythonでもpdfからデータ抜くためのライブラリあるから、頑張って仕様書なぞよもなくても、それでよくね？（結論はそれっぽいが）この前、10GB以上のpdf、elasticsearchにいれて全文検索できるようにしたぞ？

[kirakking]

古の資料（論文とか）をスキャンしたPDFのフォントをなんとか入れ替えられないかと思っていたけど、そうか難しいのか。

[diveintounlimit]

PDFの仕様書のPDFって1000ページ以上あるんだよな。。読むのを断念した。

[htnmiki]

すごい

[garbagephilia]

組版文化的にはDTP系のpostscriptファイル、TeX系のdviファイルというデバイス出力前のフォーマットがそれぞれにあったが、Adobe優勢のもとPDFというフォーマットに落ち着いたと認識している。

[rryu]

PDFの中身は「スタックマシンなPostScriptで書かれたプログラム」で最終的にそういう絵になればいいだけだからやり方は様々という…

[strawberryhunter]

参考になるとか言ってる時点でお前らにPDFをゼロから扱えるわけが無い。既製のライブラリでも使うのがせいぜいだろう。

[moshimoshimo812]

ぜんぜん関係ないけど、2000年代初頭までのAcrobat Readerは起動にめちゃめちゃ時間がかかって、PDFを開くのは地雷だった。それがここまで汎用的なフォーマットになるとは思わなかった。

[oqzl]

勉強になる。とりあえず必要なときには印刷用のPDFとテキストファイルを両方用意することにしてる

[punkgame]

イラレデータの延長だと思ってたので特に不思議に思ったことはなかったな…

[nakachop]

文体というか文章のリズムというのかな？スキ（内容に関係ない感想）

[hatayasan]

濃厚な解説。

[marmot1123]

強い人だ……と思ったらgolden-luckyさんじゃん。

[khtokage]

golden-luckyさん、アンテナハウスの方だったのか。さすがだ。

[y-kobayashi]

pdf

[hazardprofile]

2年前読みたかった記事･･･

[wdoomer]

生成するソフトによって違うのか。reader凄いな。

[userhiro]

pdfからの文字抽出は、20個位の製品を比較したことあるけど、一番精度良かったのはjavaのpdfboxだわ。ここまで細かく書くなら、pdfminerとかを推奨する理由をちゃんと書いて欲しい。じゃなきゃ皆がまた露頭に迷う

[fotus4]

3万のPDFファイルからテキストデータを抽出して検索できるプログラム書いてもらう仕事発注したけど、裏側はこんなだったのな

[fossilcat]

いつか参考にするときがあるかもしれない……

[rasterson]

画像とフォント意外は基本的にテキストなのだが、Deflate圧縮されてバイナリになっているだけ。圧縮解いたら構造はわかるよ。確かにテキスト取り出そうとはしない方がいい。特に日本語は難しいね。

[tarotarorg]

これは大事

[mkusunok]

PDFからテキストを取り出すのがムッチャ大変という記事。アクセシビリティ、読み上げソフト用のメタデータなんかはもっと読み出しやすいかたちでは入ってないのかな？

[crimsonstarroad]

なるほど難しい

[kei2100]

PDF spec 仕様