0 / 0 / 0
Регистрация: 07.11.2016
Сообщений: 4
1

Как разбить 1-ин pdf документ на множество pdf файлов в соответствии с регулярным выражением ?

27.02.2020, 16:42. Показов 2233. Ответов 13
Метки нет (Все метки)

Author24 — интернет-сервис помощи студентам
Есть документ представляющий собой сборник статей тезисов (c рисунками) в двух формате pdf, задача получить из многостраничного документа содержащего множество статей множество файлов каждый из которых содержит по одной статье причем деление на статьи должно быть быть постраничным т.е кажждый файл содержит одну статью если следующая статья начинает на странице где кончается первая статья то эта страница захватывается целиком независимо ни от чего. Кроме того каждый файл должен иметь название вида 0номер страницы где начинается статья-0номер страницы где статья заканчивается.pdf
У меня такой вопрос чем осуществить подобное деление в командной строке линукс
Хотелось бы увидеть шелскрипт выполняющий подобное деление
признак для фильтрации такой (к сожалению не знаю спецсимвола начала страницы в pdf да это и бесполезно в каждом иструменте он свой а фильтрация такова
'спецсимвол начала страницы"УДК" Авторский знак Некое множество букв содержащих Фамилию И.О. через запятую год Любое количество символов Спецсимвол конца страницы'
В результате возникает ряд новых вопросов
0. каким инструментом пользоваться для разбивки
1. Кодирование символа начала и конца страницы
2. Кодирование авторского знака
3.Сохранение номера начальной (содержащей УДК) и конечной страницы (содержащей авторский знак copyright

Добавлено через 1 час 12 минут
Обращаю внимание отвечающих просто разбить на файлы pdf мне не требуется!!!!!!
0
27.02.2020, 16:42
Programming
Эксперт
39485 / 9562 / 3019
Регистрация: 12.04.2006
Сообщений: 41,671
Блог
27.02.2020, 16:42
Ответы с готовыми решениями:

Как соединить несколько PDF файлов в один документ PDF?
имею распечатку книжки в 45 pdf файлах. как-то неудобно просматривать её. как их все объединить в один pdf файл? Может спец софт необходим?

Разбить PDF документ на страницы
Здравствуйте, уважаемые форумчане. Пришёл к вам за советом: необходим скрипт, который бы разбивал PDF документ на отдельные страницы (т.е....

Как разбить папку c N-ным количеством PDF-документов на папки с заданным числом файлов, одинаковым для каждой?
Помогите пожалуйста составить скрипт, для разбития папки, или может кто знает программу для таких действий, ситуация проста Приходит...

13
Эксперт NIX
 Аватар для nezabudka
3334 / 752 / 252
Регистрация: 28.06.2015
Сообщений: 1,552
Записей в блоге: 16
28.02.2020, 11:57 2

Не по теме:

Кратчайший путь к успеху это грамотно составленный райдер


Этот раздел форума не сервис по написанию сценариев.
Цитата Сообщение от IOvan Посмотреть сообщение
Хотелось бы увидеть шелскрипт выполняющий подобное деление
Для начала хотелось бы увидеть ваши попытки по решению задачи
0
0 / 0 / 0
Регистрация: 07.11.2016
Сообщений: 4
28.02.2020, 16:53  [ТС] 3
Для того чтобы рассказать о своих попытках мне необходимо знать каким инструментами для этого можно пользоваться а по поводу поток алгорим разбиения изложен в тексте задачи вот еще вариант - алгоритм разбиения фильтрация всех страниц документа на предмет вхождения в них строк содержащих УДК и авторский знак копирайт © определение номеров страниц содержащих эти строки, экспорт номеров этих строк в массив или файл вида номер страницы содержащей УДК-номер страницы содержащей © затем построчное считывание этих страниц в splitpdf в качестве входных значений и сохрание полученного результата так как сказано в тексте задачи.
0
5445 / 2797 / 562
Регистрация: 07.11.2019
Сообщений: 4,593
04.03.2020, 13:07 4
Я бы перевел каким-нибудь конвертером pdf в html постранично. А дальше парсил бы эти html на предмет наличия заголовков, кегля, жирного шрифта и т.д. Что-то подобное я делал в винде на AutoIt..
0
5606 / 4455 / 1081
Регистрация: 29.08.2013
Сообщений: 27,819
Записей в блоге: 3
04.03.2020, 15:03 5
pdf это картинка. что бы разбивать по символам картинку надо в эти самые символы конвертировать
найди утилиту которая распознает pdf в txt\rtf в линуксе и когда у тебя будут готовы эти файлы ты легко разберешь на страницы
0
5445 / 2797 / 562
Регистрация: 07.11.2019
Сообщений: 4,593
04.03.2020, 15:11 6
qwertehok, нет, pdf это не картинка. С тем же успехом можно говорить, что и doc/rtf это картинка.
0
0 / 0 / 0
Регистрация: 07.11.2016
Сообщений: 4
10.03.2020, 11:19  [ТС] 7
Все это не представляется возможным, т.к. документ содержит картинки.
0
5606 / 4455 / 1081
Регистрация: 29.08.2013
Сообщений: 27,819
Записей в блоге: 3
10.03.2020, 11:50 8
тогда нужно программирование + что то типа ABBYY API

распознаешь и делишь
0
5445 / 2797 / 562
Регистрация: 07.11.2019
Сообщений: 4,593
10.03.2020, 13:22 9
По большому счету распознавание и не нужно. Найти есть ли на одной картинке чуть более крупный шрифт, чем на другой можно и в Imagemagick.
0
0 / 0 / 0
Регистрация: 07.11.2016
Сообщений: 4
10.03.2020, 16:38  [ТС] 10
А просто сделать экспорт страниц по заданному рег выражению нельзя ? Неужели не существует инструментария для этого работающего в ком строке?

Добавлено через 2 минуты
А зачем если нуно просто получить на выходе структурно такие же файлы как исходный только по одной статье в файле о картинках я написал только для того чтобы не было предложений типа берешь зва ковертишь в txt и грепишь его, я просто хотел обратить внимание что такой вариант не годится из-за иллистраций
0
5445 / 2797 / 562
Регистрация: 07.11.2019
Сообщений: 4,593
10.03.2020, 19:27 11
Почему предложение про конвертацию txt/html не подходит? Это нужно только для поиска начала/конца новой статьи. А так из исходного pdf нарезаются страницы в соответствии с найденными началами статей и картинки никуда не деваются.

Добавлено через 6 минут
Пример:
исходный файл pdf -20 стр.
сконвертировали в 20 txt файлов с именами 001.txt...020.txt
grepом нашли что слово УДК находится в 001.txt, 005.txt,015.txt
значит вырезаем в отдельные файлы из исходного pdf страницы 1-4, 5-14,15-20
0
5606 / 4455 / 1081
Регистрация: 29.08.2013
Сообщений: 27,819
Записей в блоге: 3
10.03.2020, 22:35 12
Цитата Сообщение от u235 Посмотреть сообщение
исходный файл pdf -20 стр.
сконвертировали в 20 txt файлов
вот это вот как сделать?
0
5445 / 2797 / 562
Регистрация: 07.11.2019
Сообщений: 4,593
11.03.2020, 06:51 13
qwertehok, например утилитой pdftotext из пакета poppler, м.б. придется 3-4 срочки на баше написать для постраничной обработки.

Добавлено через 29 минут
Bash
1
2
pdftotext in.pdf in.txt
csplit -n 4 -f '' in.txt '/^L/' '{*}'
все.
^L набирать как Ctrl-v Ctrl-L
0
5606 / 4455 / 1081
Регистрация: 29.08.2013
Сообщений: 27,819
Записей в блоге: 3
11.03.2020, 08:40 14
ну и отлично, то что ТС и надо
0
11.03.2020, 08:40
Надоела реклама? Зарегистрируйтесь и она исчезнет полностью.
inter-admin
Эксперт
29715 / 6470 / 2152
Регистрация: 06.03.2009
Сообщений: 28,500
Блог
11.03.2020, 08:40
Помогаю со студенческими работами здесь

Разбить строку регулярным выражением
Есть питоновские списки, представленные в виде строк string a = ", , ]" string b = "" string c = "" Как разбить эти...

Разделение pdf-файла на несколько pdf-файлов
Здравствуйте, подскажите как разделить файл pdf - состоящий из n-страниц, на несколько файлов pdf через itextsharp.

Безопасная загрузка документ-файлов на сервер типа pdf, doc, docx
Здравствуйте! Строю сайт, на котором пользователи могут закачитвать файлы разных форматов. Хочу узнать какую проверку делать для...

Каким регулярным выражением можно разбить html текст в массив по тегам?
Есть, к примеру, такой код: <img src="image.jpg" /><p>Об этом впервые заговорили в конце 1950-х годов.</p> <span>роль...

Как разбить PDF
Как разбить PDF файл на несколько частей? :help:


Искать еще темы с ответами

Или воспользуйтесь поиском по форуму:
14
Ответ Создать тему

Редактор формул (кликните на картинку в правом углу, чтобы закрыть)
Опции темы

Новые блоги и статьи
Создаем SPA Router на чистом JavaScript
bytestream 17.02.2025
В современной веб-разработке одностраничные приложения (SPA) стали стандартом для создания динамичных и отзывчивых пользовательских интерфейсов. Ключевым компонентом любого SPA является роутер -. . .
Машинное обучение на TypeScript и TensorFlow
bytestream 17.02.2025
Машинное обучение становится все более востребованным направлением в современной разработке программного обеспечения. Интеграция искусственного интеллекта в веб-приложения открывает новые возможности. . .
Манипуляция данными EXIF и JPEG в JavaScript
bytestream 17.02.2025
В современном мире цифровой фотографии метаданные изображений играют важнейшую роль в организации и управлении медиаконтентом. Формат EXIF (Exchangeable Image File Format) - это стандарт,. . .
Как создать GUID/UUID в JavaScript
bytestream 17.02.2025
GUID (Globally Unique Identifier) и UUID (Universally Unique Identifier) - это специальные форматы 128-битных идентификаторов, которые практически гарантируют уникальность значения во времени и. . .
Что такое мышление в упрощенном смысле (моё субъективное видение, для создания модели).
Hrethgir 17.02.2025
Разумеется упрощать смысл есть. Дело в том, что я пришёл к тому выводу, что даже если я создам свой процессор (конвейер), то первое для чего смогу его использовать в качестве демонстративного. . .
Как Node.js устроен изнутри
Wired 17.02.2025
Node. js коренным образом изменил подход к веб-разработке, позволив использовать JavaScript не только в браузере, но и на стороне сервера. Созданный в 2009 году Райаном Далем, Node. js представляет. . .
Как обновить Node.js в Windows
Wired 17.02.2025
Думаю, многие разработчики сталкивались с ситуацией, когда устаревшая версия Node. js становилась источником проблем - от несовместимости с новыми пакетами до уязвимостей в безопасности. Особенно это. . .
Как обновить Node.js в MacOS
Wired 17.02.2025
В Node. js существует несколько подходов к обновлению, каждый из которых имеет свои преимущества и особенности применения. Выбор конкретного метода зависит от ваших потребностей - будь то. . .
Как обновить Node.js в Linux
Wired 17.02.2025
Обновление Node. js может показаться сложной задачей, особенно если у вас несколько проектов с разными зависимостями. Однако существует несколько надежных способов обновления, подходящих для разных. . .
[golang] 134. Gas Station
alhaos 17.02.2025
Тут нам даны два целочисленных слайса gas и cost, индексы массива представляют собой заправочные станции. а элементы gas это количество топлива на такой станции, cost это количество топлива. . .
КиберФорум - форум программистов, компьютерный форум, программирование
Powered by vBulletin
Copyright ©2000 - 2025, CyberForum.ru