Discussion :

[vistar76]

Bonjour,

J'essaye de mettre un pdf au format txt (les lois françaises donc 800 pages à laisser dans la même forme pour découper ensuite) donc j'ai testé pdfminer mais la mise en forme n'est pas correct par exemple :

pdf :
1° Connaître

txt :
1
°
Conna
î
tre

J'ai testé pypdf mais lui ne respect pas du tout la mise en forme. Est ce que vous avez une aide à me proposer ?
L'application que je développe est en Django

[rambc]

Bonjour,
je ne pense pas que l'on puisse attendre des miracles de ce genre d'outils. As-tu essayé un copier coller depuis le document PDF vers un fichier TXT pour comparer ?

Pour ma part, je l'ai testé sur un PDF produit avec LaTeX, et j'avoue être assez bluffé par la sortie même si cela est un peu le bazar il y a pas mal de choses bien récupérées.

Pour finir, le projet pdfminer a un groupe sur Google, tu peux y poser une ta question, histoire de faire évoluer ce projet, en n'oubliant un retour ici.

[fatbob]

Le problème du pdf tient au fait qu'il s'organise en cadre, lignes et autres.
Par exemple, souvent, un tableau n'est autre qu'un ensemble de cadres de textes positionnés indépendamment les uns des autres avec des lignes verticales et horizontales (indépendantes également).

Du coup, à ma connaissance (et j'ai cherché pas mal !) il n'existe pas d'outil libre ou gratuit permettant ce genre de truc.

Malgré tout, Open office permet d'ouvrir des pdf pour les modifier avec Draw (ça met en évidence le coup des cadres, des lignes...)

Pour ma part, le seul truc que j'ai réussi à faire, c'est
- transformer le pdf en texte avec un outil du genre xpdf - pdftotext (avec les problèmes de mise en page que tu évoques)
- traiter le texte résultant par des procédures de remise en forme du texte, ce qui suppose de réussir à trouver les motifs pertinent pour remettre le texte en forme (très compliqué dès qu'il y a des tableaux et ce genre de trucs).

pdf = cauchemar de l'automatisation