Коллеги, есть задачка.
приходят к нам от 7г континента акты о приеме товара в формате pdf.
нужно их распарсить и сравнить с накладными отгрузок им.

В общем есть некие конверторы с текстовой строкой чтобы его в текстовый файл затащить а далее обработать.
А делал ли кто подобное в 7ке. может есть какая компонента чтобы из 7ки рулить или вообще сразу прочитать пдфку.
пдф текстовый не картинка.

(122) что это за фигня.

(119) да вот же засада. 8 штук уже перепробовал

да уж! фигня какая то, у меня ничего не открывает этот документ из бесплатного. а последняя утилита только цифры получает.

(126) ага. а вот адоб ридер нормально 9й

посмотрел блокнотом там нашел следы вот этого Producer(Adobe PDF Library 8.0), нужно что то подправить

(128) да есть такое создан с помощью этого

вот этой штукой подправил http://www.pcvare.com/pdf-fixer.html просмотровщики стали открывать, но pdftohtml также бред выдает

там именно версия пдф 1.6 видимо конверторы не могут с ней работать даже внутреняя структура различается в отличии от 1.4 например который конвертируется нормально

(116) Там возможно надо настроить xpdfrc, когда я настраивал для своего конвертирования мне оказалось достаточно там строчки "textEncoding        UTF-8"
И если конвертятся таблицы - то конвертить надо с ключом -layout

+(132) Еще у них там валяется кириллический пакет, я правда не понял как его подключать, у меня так заработало, без него.

+(132) вроде действительно из за кодировок нормально не работает. восстановил файл с помощью pdftk4all и потом уже pdftohtml, в результате русский текст не получаем а только цифры и латинские символы

pdf-fixer не понадобился достаточно бесплатной pdftk4all

(132) гм. счас попробую.

-layout
помогло. стало подобие структуры. а вот букв нету.

"textEncoding        UTF-8"

куда прописать. я смотрю это в файлике описано sample-xpdfrc

# The Xpdf tools look for a config file in two places:
# 1. ~/.xpdfrc
# 2. in a system-wide directory, typically /usr/local/etc/xpdfrc

это где такое

pdftotext -enc UTF-8 -layout n2.pdf
а потом
c:\Temp\xpdfbin-win-3.03\bin32>iconv -c -f utf-8 -t cp1251 c:\Temp\xpdfbin-win-3
.03\bin32\n2.txt >c:\Temp\xpdfbin-win-3.03\bin32\n3.txt

ура! все победили ))

так что-то получается

после pdftotext -enc UTF-8 -layout n2.pdf

текст кракозябры

(141) да. потом скачай http://gnuwin32.sourceforge.net/packages/libiconv.htm

конвертнешь из одной кодировки в другую, строку команды выложил

может можно как то и через pdftotext сразу в нормальной кодировке получить но не нашел пока

ураааааа.

немного табличка хреново получилась. но распарсю думаю

ну да ))

там я видел у них исходники вроде есть )

пля аминь. ветку наверное в БЗ

опс. а если не конвертируемый файл открыть виндовым нотепадом он его нормально показывает.

утф8 кодирвока винда. если поставить в просмоторщике тотала листере то русский текст нормальный. 1с то 77 поймет интересно правильно

в эске вроде только вин1251 и дос, так что нужно конвертировать

(151) да 1с утф8 не понимает

восьмерка вроде понимает

но в оригинале табличка гладко стоит а конвертер зараза двигает пробелы. не смертельно но не удобно

(153) гм. а может какие вк есть к 7ке. счас порою кто-то с текстом работал

думаю справишься

может и есть, но экселевские причуды из восьмерки полученные без проблем не грузились в семерку

можно в экселе txt попробовать открыть и тогда можно перебором получить нормальный текст

ну пасибо всем. уже экономия бабла на хапугах ритейле от чего тортики не станут дороже.

(158) нафик. распарсю что есть

смотри сам, тут вариантов куча

если еще нужно )
(137) просто в файлике, который так и называется xpdfrc, такая строчка, у меня там в этом конфиге больше ничего нет - я выкладывал его в архиве.
(138) лежать он должен прямо там где экзешник.

(162) он и в командной строке нормально работает
pdftotext -enc UTF-8 -layout n2.pdf

вот как получить в кодировке cp1251?

(163) вот что написано в sample-xpdfrc
# Choose a text encoding for copy-and-paste and for pdftotext output.
# The Latin1, ASCII7, and UTF-8 encodings are built into Xpdf.  Other
# encodings are available in the language support packages.

#textEncoding        UTF-8
на сайте лежит Xpdf: Cyrillic support package
If this package includes CMap files, they contain their own copyright
notices and distribution conditions.  All other files in the package
are Copyright 2002 Glyph & Cog, LLC, and are licensed under the GNU
General Public License (GPL), version 2 or 3.

This package provides support files needed to use the Xpdf tools with
Cyrillic PDF files.

Contents:
- Bulgarian character names
- KOI8-R encoding

ftp://ftp.foolabs.com/pub/xpdf/xpdf-cyrillic.tar.gz
то бишь будет KOI-8
как прикручивать там написано - надо внести строчки в xpdfrc

(164) еще не смотрел, но качал этот файл. еще один момент хочу найти, как ему сказать чтоб собака поля таблицы нужным разделителем конвертировал ))

(165) было бы круто. но по-моему никак не скажешь - таблица в пдф это такая условная штука - текст просто стоит в разных местах а сверху нарисована графикой сетка.

(166) да он тупо пробелами заменяет, возни больше

причем если команду дать -raw то сжимает все пробелы до одного )

вот есть такая команда:
      -fixed number
             Assume fixed-pitch (or tabular) text, with the specified charac-
             ter width (in points).  This forces physical layout mode.

(163) на, лови.
у меня получилось сразу в 1251 конвертить, надо только таблицу соответствующую прикрутить

где ловить?! ))

кстати, заметил хрень.
иногда pdftotext.exe "проглатывает" часть текста.

так что будь настороже

(171) :)))
http://zalil.ru/31605183

все получил

(173) с твоей кодировкой, таблица вообще... хрень полная ))

кажись понял как заставить конвертировать в нужные разделители )) в карте нужные символы на нужные поменять

(175) где? выложи пдф-ку посмотреть
или на мыло
мойник собака newmail тчк ru

(176) Это какие на какие ? )))
А то я бы сильно упростил свой код парсинга - я там запарился колонки выделять, особенно если вдруг текст оказался в колонках близко он просто одинарным пробелом отделяет - попробуй тут разбери где какая колонка.

(178) если бы знать, но те карты что скинули вообще таблицу изуродовали, вот мысль и пришла что наверное из карт все тянется

получилось

в (173) -layout забыли. табличка почти норм

(175) охренеть, но у меня адобе ридер при простом открытии, и потом сразу (ничего не делаюя) закрытии, твоего файлика, пишет: "Сохранить изменения в ** перед закрытием?"

напоминаю: Ридер!

первый раз такое вижу

(175) предъява про порчу текста отклоняется
вот выход: http://zalil.ru/31605289

(182) да уже разобрались )) в (180)

блин, но табуляции нет ((

(180) ничего я там не забыл. я для примера батник скинул, чтобы вы увидели, как таблицу кодировки подключить

(184) возьми за отправную точку, что табуляция - это следующие друг за другом неразрывно пробелы в кол-ве не менее 5-ти штук

(186) в нашем случае не меньше трех

и есть одна позиция, она так вообще вылетает из строки, переноситься. количество вверху остальное внизу ))

(188) это итого помоему

(188) у меня все гладко теперь

не не итого:
   2                                                     1
              11130 ОТ ПАЛЫЧА Торт ТВОРОЖНО-СЛИВОЧНЫЙ 800г   ШТ   297,06297,06   18    53,47      350,53

но если -row установить тогда нормально

относительно. 1с понимает строку всеравно сбивает табличку. а бот нотепад показывает ровно. да фиг с ним. распарсим. там элементарно зацепится

(191) у меня норм

да, видимо раз на раз

(191) ничё не выпадает. я тебе выход выслал, смотри ,всё норм

и потом, файл вообще какой-то странный, см(181)

(197) да не странный, законный адобовский, возможно версия ридера старая

хотя, иногда бывает на больших текстах, см.(172)

(196) я видимо с настройками намудрил

C:\tmp>c:\tmp\pdftotext.exe -cfg xpdfrc -enc CP-1251 -layout  c:\tmp\111.pdf
Syntax Error: Couldn't read xref table
Syntax Warning: PDF file is damaged - attempting to reconstruct xref table...
Syntax Error: Unterminated hex string
Syntax Error: End of file inside array
Syntax Error: End of file inside dictionary


кстати вот заметил на ругань. конвертит но ругается

(201) 8( может вот эта таблица... и предупреждает что строка там не завершена

(198) законный, говоришь? а ты когда-нибудь видел  в ридере такое: http://savepic.org/2126677.png  ?

а версия 1.6, нормальная

(203) а какая у тебя версия? это вроде отношение имеет к формам, где то читал что с ними проблема

(204)10.1.0.534

кучу файлов уже этой версией пересмотрел, но такого не видел

(203) а у меня не ругается

(207) какая версия?

(186) Если текст в колонках будет близко то пробел может оказаться всего один.
Ну и там вообще много приколов будет - особенно если в какой-то из строк будет многострочный текст.

(209) шо я могу на это сказать? не жрите кактус, и не организуйте эл.обмен информацией в pdf.

pdf совсем для другого придуман, вообще-то.
pdf - это ДОКУМЕНТ. в коммерческом смысле

(210) ага - я тоже это сказал своим и чтобы они позвонили тем кто нам такое присылает и попросили какой-нить другой формат. Они позвонили, те сказали - нам так программа выдает и всё, пришлось жрать кактус. (((

(211) тогда жрите кактус, и не пищите ;-)

(208) 9я говорит

(212) не. просто тупо это включается в цену того, что вы окупаете в магазине.

да можно исходник на крайний случай перекопать )) если с картами не разобраться

что самое интересное. виндовый блокнот при открытии правильно расставляет все символы. как будто табличка сохранена.

(216) а табы?

(216) подсказка: моноширинный шрифт

вот русификация https://translations.launchpad.net/xpdf-intl/trunk/+pots/xpdf

вот кусок карты составлять:

http://forum.rudtp.ru/showthread.php?t=36974&p=412925&viewfull=1#post412925

Надо еще ?

(221) В принципе решение найдено но если у тебя другой способ то выкладывай. может он проще

(222) уже писал в первой сотне, если нужно готовое - завтра, ибо лениво
(хотя уже был пост на мисте, по обычию всем интереснее как узнать Родителя)