txtpdf
Estrarre testo da un file pdf.
F. Melis e A. Buffolino  su smanettando,dal  28\09\2011, h. 10.06.


Riguardo al problema dell'estrazione del testo da un file in formato Pdf 
che si  recentemente presentato a Giancarlo Rossi.
Per estrarre il testo da un file Pdf, usando lo stesso programma Adobe 
Acrobat Reader, occorre che si verifichino delle  condizioni.

1) Il file non deve avere protezioni di sorta altrimenti occorre usare 
tecniche hacker.
2) occorre verficare che nella barra dei men, alla voce "vista" - 
"visualizzazione pagina (sottomen)" sia attivata la voce "Abilita 
scorrimento". Normalmente  attivata la prima voce del sottomen 
"visualizzazione pagina" cio "Vista a pagina singola". Se 
l'impostazione  "Vista a pagina singola" allora quando si fa "Seleziona 
tutto" in realt viene selezionato solo il testo della prima pagina. Se 
invece  abilitata la voce successiva "Abilita scorrimento", facendo 
"Seleziona tutto" si seleziona il testo di tutto il file.
3) Una volta selezionato il testo di tutto il file fare copia e poi 
incolla in un editor ASCII qualsiasi o anche in Word.

Altra possibilit, sempre che il file non sia protetto,  quella di 
passare il file a Finereader come se fosse un file di immagine e farne 
il riconoscimento. L'impaginazione risultante per potrebbe lasciare a 
desiderare.

Se invece il file  protetto da password allora occorre sabotarla con 
programmi appositi che fanno questo lavoro sui files Pdf. Occorre per 
avere una buona dose di fortuna, pazienza e tempo. Se la password fosse 
molto lunga, il problema di rilevarla, che ha una relativa "complessit 
computazionale" molto alta (esponenziale), potrebbe richiedere tempi 
estremamente elevati e quindi sarebbe impraticabile. Vi  da dire che 
questi programmi operano con due modalit: una grezza con la quale si 
provano tutte le combinazioni di lettere e numeri, maiuscole e 
minuscole, il che sarebbe a dire circa (26+26+10) = 56 elevato il numero 
dei caratteri della password che tra l'altro manco si conosce. Fatte un 
po' voi i conti!. Anche con un computer che verificasse miliardi di 
combinazioni al secondo ci potrebbero volere secoli. Un'altra modalit 
"intelligente" la cui intelligenza in effetti  basata sulla stupidit 
della gente che mette come password parole comuni,  quella di provare 
delle parole che qualcuno statisticamente ha collezionato come 
predilette per le password, del tipo: topolino, paperino, napoleone ecc...

Una volta sabotata la password, ammesso che ci si riesca, si possono 
effettuare i passaggi 1, 2 e 3.

Infine, se, caso fortunato, il file  protetto da password ma non  
preclusa la stampa, allora si pu stampare tutto il file e ripassare le 
pagine con il Finereader. Questo per a costi non trascurabili di carta 
e inchiostro.
Alberto Buffolino.
Francesco Melis (il 28-set-2011 10.47) ha scritto:
   Per estrarre
  il testo da un file Pdf, usando lo stesso programma Adobe Acrobat
  Reader X, occorre che si verifichino delle  condizioni.
Alberto:
Ciao Francesco,
aggiungo qualche mia personale esperienza al tuo messaggio.
Innanzitutto, uso ancora Adobe Reader 9, tuttavia non credo che quel che 
dir cambi nella versione X (nel senso ovviamente di 10).
Se il file PDF si apre senza problemi, e si tratta di un file testuale, 
anche nel caso in cui le operazioni di salvataggio e copia siano 
bloccate, ho avuto modo di notare che una simpaticissima voce del menu 
modifica rimane sempre attiva, o almeno non mi  ancora mai capitato di 
trovarla disattivata, anche quando copia, taglia e salva come testo 
erano non disponibili. Tale voce  "copia file negli appunti", shortcut 
f (quindi con alt+m e f si esegue il comando).
Passato qualche secondo, soprattutto con files abbastanza grandi, sul 
centinaio di pagine, baster aprire un editor a scelta e incollare, 
senza preoccuparsi della protezione o di impostazioni di visualizzazione 
del PDF.
In linea generale oserei anche dire che il risultato  decisamente 
migliore del salvataggio in solo testo di Adobe, che a volte, con 
particolari files, non tiene neppure conto dell'ordinamento di lettura 
scelto all'apertura, generando (mi  capitato) un file composto da una 
sola parola per riga...
A proposito di salvataggio, eseguendo gli aggiornamenti di adobe ho 
scoperto che nel percorso:
%ProgramFiles%\adobe\reader x.x\reader\plug_ins (dove x.x in questo caso 
indica una versione generica)
ci sono due files, che formano senza dubbio un plugin di Adobe, dal nome 
alquanto interessante... SaveAsRTF.api e SaveAsRTF.ita. Tuttavia, di una 
funzionalit simile, nel mio Adobe, non v' traccia... qualcuno ha idea 
se detta funzionalit sia disponibile solo nella versione premium?
Francesco continua:
  Se invece il file  protetto da password allora occorre sabotarla
  con programmi appositi che fanno questo lavoro sui files Pdf.
Alberto:
mi  capitato un caso in cui tutto ci non  stato necessario. Badate, 
potrebbe esser stato un caso particolarissimo...
Io avevo un PDF di sole immagini, o almeno ero ragionevolmente convinto 
fosse di sole immagini visto che stazzava un 90 mega e pi. Aprendolo, 
per, mi trovavo davanti alla richiesta della password, richiesta per 
giunta insensata visto il tipo di materiale, ma lasciamo stare.
Incredibilmente, mi  bastato aprire il file PDF con IrfanView, un 
potente gestore di immagini che penso molti di voi conoscano, e quindi 
scegliere menu opzioni (non chiedetemi perch), immagini multipagina 
sottomenu, e quindi estrai tutte le pagine... s, il processo ha 
funzionato perfettamente, e ho quindi potuto fare l'OCR sulle immagini 
cos estratte.
Francesco continua:
  Infine, se, caso fortunato, il file  protetto da password ma non 
  preclusa la stampa, allora si pu stampare tutto il file e ripassare
  le pagine con il Finereader. Questo per a costi non trascurabili di
  carta e inchiostro.
Alberto:
non dimentichiamo poi la stampa attraverso stampanti virtuali, che 
possono risparmiarci carta e inchiostro generando a loro volta PDF, 
oppure Tiff multipagina, jpg, e cos via.
Quanto a Thunderbird, cos faccio un messaggio solo... menu opzioni, 
composizione, scheda ortografia, l ci sono tutti i controlli che 
potrebbero influenzare eventuali correzioni automatiche, anche se non mi 
risulta che TB provveda senza l'intervento dell'utente a correggere 
parole intercettate come errate... tanto pi se, com' di default,  
installato il solo dizionario inglese.
Ok, ho finito la pappardella, oggi ero particolarmente espansivo (sorriso)
