Как вытащить из PDF текст?

Question

[AmanitaRubescens]

Есть книга в PDF, качество не ахти. Распечатал пару страниц, глянуть как будет для глаз - глаза все переломаешь, пока будешь читать.
Вот на картинке, текст выше красной линии - книга в отличном качестве (другая книга), ниже то что хочу распечатать.

spoiler

Если взять pdf с плохим качеством книги и уменьшать/увеличивать размер страницы, то как бы проскакивает текст в хорошем качестве, потом плохой текст его перекрывает (т.е. оригинал).
https://gifyu.com/image/SIDyk
Вот тот самый "проскакивающий качественный текст" можно как то вытащить? Он же где то существует? Или что это такое?

Comments

[Adamos]

Просто найти этот же учебник по Питону в лучшем качестве, подозреваю, будет меньшим геморроем.
А что можно сделать с неизвестно какой pdf-кой, которую вы даже не пробовали прогнать сквозь утилиты, выдергивающие текст, вам никто не скажет. Впрочем, этот выдернутый текст вряд ли будет хорошо форматирован, так что лучше вернуться к п. 1.

[AmanitaRubescens]

Adamos, все что было найдено по этой книге, все того же качества. На торентах, телеграме и т.д. Возможно ее можно купить в pdf формате. Ну из за стоимости...ну не знаю...покупал ли кто именно в pdf варианте.

Про прогон не указал. Прогонял через всякие программы, конвертировал в Word и т.д. Очень, очень много нужно корректировать!

Тут как бы еще и вопрос, если смотрели gif... текст мелькает, откуда он такой хороший и почему он такой плохой на самом деле

[Adamos]

AmanitaRubescens, ну, обычно качественные учебники можно найти в качественном виде.
Может, этот просто никому и не нужен? ;)

[RAX7]

проскакивает текст в хорошем качестве

Это OCR слой с текстом, он скорее всего содержит кучу опучаток и предназначен только для копирования/поиска текста, читать с него всю книгу будет не меньшим мучением.

[AmanitaRubescens]

Adamos, Изучаем Python [Том 1, 5-е издание] [2019] Марк Лутц - вы уверены что не нужен? =)

[AmanitaRubescens]

RAX7, а вытащить то как то можно "этот миг" распознавания? Может какой то tmp файл создается или что то подобное. Потом сравнить с какими-нибудь программами с OCR

[RAX7]

AmanitaRubescens, попробуй с помощью Ghostscript
https://stackoverflow.com/questions/73872488/how-t...

[Dmitry Roo]

На озоне она свободно продается.
Быстрее и дешевле будет купить.

[Adamos]

AmanitaRubescens,

Глава 7. Фундаментальные основы строк

225

»> s = ’a\0b\0c'
>>> s
’a\xOOb\xOOc'

»> len(s)
5

В Python нулевой (пустой) символ такого рода не завершает строку, как “нулевой
байт” обычно делает в языке С. Взамен Python хранит в памяти и длину, и текст стро­
ки. На самом деле в Python не предусмотрен какой-либо символ для завершения строк.
Ниже приведена строка, состоящая целиком из абсолютных двоичных управляющих
кодов — двоичных значений 1 и 2 (представленных в восьмеричной форме), за кото­
рыми следует двоичное значение 3 (представленное в шестнадцатеричном виде):
»> s = ’\001\002\x03’
>» s
’\x01\x02\x03’

»> len(s)
3

Читать в том виде, в котором есть (то есть сканы страниц и OCR только для поиска) - удобнее.

В более аккуратном (и при этом электронном) виде этого учебника, похоже, в сеть не утекало.

[AmanitaRubescens]

Adamos, жаль. Хотел бы сделать бумажный вариант на бумаге А5. Электронный вариант, как то плохо усваивается.

[Adamos]

AmanitaRubescens, для любителей бумажных книг все еще существуют библиотеки. Ну, и магазины, конечно.

[AmanitaRubescens]

RAX7, в txt перевел...так себе занятие приводить это в божеский вид =)

[RAX7]

AmanitaRubescens, так не маялся бы, а взял бы что-нибудь поактуальней и свежей в нормальном качестве

[Алан Гибизов]

AmanitaRubescens, Первый том в бумаге форматом ~А4 содержит что-то около 800 страниц мелкого текста на тонкой бумаге. Переверстать это на А5… под 2К страниц получится.
Кубик получится.

[AmanitaRubescens]

Алан Гибизов, то что у меня есть на руках (PDF с не качественным текстом) - я уже распечатал несколько страниц на А5. Если бы был "качественный" текст - читалось бы великолепно. НО. так как текст не четкий, глаза сломать можно.

Answer 1

[Николай Савельев]

Это сканированный текст и перевести его в текстовый вид с помощью OCR - это такой геморрой, что проще было бы найти ту же самую книгу в нормальном виде. В бумажном, например

Comments

[Adamos]

Там уже есть распознанный OCR-слой для поиска. И его можно вытащить... но голый текст без форматирования для учебника по программированию не очень годится, а для Питона с его архиважными отступами - вообще плохая идея.

[AntHTML]

Adamos, OCR по другому не умеет, особенно с распознаванием и сохранением слоя для отступов. Тут только копировать куски из слоя поиска и подредактированить на месте по аналогии

Answer 2

[Алан Гибизов]

Вы не тем занимаетесь. Если вам нужно изучать язык программирования, так изучайте. Поверьте, Лутц это не на пару дней работы.
Хотите относительного комфорта - возьмите планшет типа старого iPad с достаточной диагональю и читайте свой pdf с планшета.
Не смотря на наличие бумажного тома я сам делал именно так. Недорогой б/у планшет с хорошим дисплеем будет дешевле или сравнимо со стоимостью бумажной книги. И полезнее и универсальнее.

Comments

[AmanitaRubescens]

Не всем удобно в электрическом виде читать.
Я люблю с бумагой по сидеть, по лежать.

Уже все стало понятно - перевести его в нормальный вид можно только в Word, корректировать, потом обратно в PDF. (Интересно, а может если так сделать и делиться за "благодарность"? то никто не будет благодарить)

Да уже больше спортивный интерес!!!

[Алан Гибизов]

AmanitaRubescens, мне тоже удобно в бумажном. Но! Это здоровенный том. Им в бумаге просто неудобно пользоваться физически - кирпич здоровенный. Печатать по частям… ну такое.

[AmanitaRubescens]

Алан Гибизов, ну вот уже минус 100 страниц =) Полезной информации 1%.

[wisgest]

Алан Гибизов, вопрос не об изучении языка программирования и им могут интересоваться желающие прочесть совсем другую книгу.