cerca PDF con codifiche di caratteri non standard

Alcuni file PDF producono immondizia (" mojibake ") quando si copia il testo (anche se vengono visualizzati correttamente). Questo rende impossibile cercarli (qualunque cosa cerchi non corrisponderà alla spazzatura).

Qualcuno ha una soluzione semplice?

Esempi:

1. Manuale TEAC TV EU2816STF (produce problemi di cui sopra in Adobe Reader sia su Windows che su Mac, ma funziona bene in Anteprima su Mac)
2. Manuale di Leadtek Winfast PVR2 (collegamento FTP; presenta anche problemi nell'anteprima su un Mac)
3. Manuale della scheda di sintonizzazione TV Swann (collegamento FTP; presenta anche problemi nell'anteprima su un Mac)
4. Contratto di licenza Phonedisc (dal ormai defunto DTMS )
5. Revisione trimestrale del fondo Macquarie IFP
6. Libretto per piccole imprese BAN-TACS (versione archiviata)
7. Volantino Easterfest 2004 (anche dall'archivio)

Sto usando Adobe Reader (ultima versione) per Windows - forse un visualizzatore alternativo potrebbe aiutare? Sto cercando una soluzione gratuita per Windows. L'open source sarebbe ancora meglio.

Modifica: i documenti per lo strumento Estrai testo multivalente hanno un buon riassunto del perché le cose possono andare storte, tra cui: (documento citato ultima modifica gennaio 2006)

• Il testo potrebbe non avere un mapping Unicode. I caratteri PDF Tipo 3 spesso non lo sono e TeX DVI ha caratteri che non hanno equivalenti Unicode.
• La codifica Unicode potrebbe essere errata. Open Office associa alcuni caratteri allo stesso Unicode, causando la caduta e il raddoppio della lettera apparente.

Immagino che la soluzione definitiva in questi casi sarebbe quella di OCR ogni glifo in un font per capire di che carattere si tratta. Si noti che questo sarebbe più semplice dell'OCR di un documento scansionato rumoroso perché la forma esatta del glifo è disponibile (a risoluzione infinita poiché è un'immagine "vettoriale").

Foxit Reader , forse?

Per quello che vale, ho appena controllato il PDF a cui ti sei collegato con Safari 4.0.4 su Mac OS X 10.6.2 e, sebbene ci sia un po 'di Engrish , il PDF viene visualizzato in modo impeccabile senza "immondizia" sullo schermo. Forse stai riscontrando problemi Unicode (più comuni su Windows che su Mac OS)?

Il modo più semplice per aggirare il problema è aprire il file in una versione recente di Google Chrome con plug-in di lettura PDF incorporato . Quindi puoi utilizzare la funzione di ricerca di Chrome per trovare il testo e il copia e incolla funziona correttamente.

Per l'esempio del Manuale TV : stesso problema in Adobe Reader 8.1.2 su Mac, ma nessun problema con l'anteprima di Mac per copiare o cercare testo. Inoltre, inviarlo a un account Gmail e quindi scegliere "Visualizza" e quindi "HTML semplice" rivela il testo. Ad Adobe Reader non piace.

Le proprietà del documento mostrano "Codifica: personalizzata" per i caratteri. Un altro documento mostra cose come "Encoding: Ansi" o "Roman" e non presenta problemi né in Anteprima né in Adobe Reader su un Mac:

Tuttavia, sia l'esempio di Leadtek che quello di Swann presentano problemi anche in Anteprima su Mac e in Gmail ed entrambi mostrano "Encoding: Identity-H". Anche il test Phonedisc fallisce, con "Encoding: Custom".

Confuso e non coerente, ma su alcuni forum di Adobe ho trovato la seguente spiegazione per l'ennesimo esempio che mostra "Encoding: Custom" (sottolineatura mia):

Dopo aver guardato all'interno del PDF, risulta che non sono presenti informazioni di codifica utilizzabili (né nel PDF né nei dati dei caratteri incorporati) per ricavare il significato dei caratteri / glifi visualizzati nelle pagine del documento.

I caratteri sono effettivamente tutti incorporati, ma in modo che tutte le informazioni di codifica siano state rimosse. Questo è un tipico esempio di PDF che è sintatticamente pienamente conforme alle specifiche PDF ma in cui informazioni importanti sul significato del testo in esso sono state gettate via durante il processo di creazione del PDF. Per quanto ne so, sarebbe molto difficile recuperare le informazioni di codifica.

Questo non spiega perché l'anteprima di Mac (e apparentemente anche Infix) sia in grado di gestire alcuni degli esempi in cui Adobe Reader ha esito negativo, anche con "Codifica: personalizzata". Forse l'anteprima non ha problemi quando il carattere esatto è presente sul computer stesso? O forse sta solo indovinando una codifica, che sembra funzionare per alcuni ma non per tutti i documenti?

Qualunque sia la causa: se il passaggio tramite Google Documenti o Gmail non funziona, forse la soluzione più semplice (ma tutt'altro che semplice) è effettivamente quella di salvare come TIFF e quindi fare OCR . Servizi come Evernote potrebbero farlo al volo (fa l'OCR sulle immagini; dubito che farà l'OCR su un PDF).

Il download del file 1 non è riuscito per me, il file 2 che ho potuto aprire con xpdf, un visualizzatore di pdf veloce e open source. Immagino che non sia in grado di gestire i moduli, ma per puro testo e grafica lo preferisco per i suoi tempi di avvio rapidi.

Purtroppo non può essere aiutato. I documenti PDF in realtà non contengono lettere, ma contengono forme di lettere. In altre parole, invece di leggere una lettera e disegnarla sullo schermo di Adobe Reader come qualsiasi altra applicazione di lettura di PDF semplicemente disegnerebbe la grafica vettoriale codificata nel file.

Tuttavia, alcuni lettori PDF sono dotati di software che consente di analizzare la forma e recuperare il testo utilizzando il riconoscimento del testo. Funziona come se si scansionasse un foglio di testo stampato e si utilizzasse un software come ABBYY FineReader per riconvertirlo in testo, ma a causa della qualità infinitamente alta dei disegni vettoriali sono in genere molto migliori rispetto ai documenti scansionati.

Alcuni documenti possono essere protetti dalla conversione in testo ingannando Adobe Reader. Ad esempio, le lettere possono essere disegnate in diverse forme sovrapposte in modo tale da apparire visivamente uguali, mentre il software di riconoscimento del testo non riuscirebbe a riconoscere il testo. Il tuo documento è un esempio di tale protezione.

Un modo sarebbe quello di stampare il documento in un'immagine e lasciare che il software di riconoscimento del testo lo riconosca. Una risoluzione più elevata per l'immagine migliorerà la qualità. Questo metodo tuttavia non è molto utile.