Discussion :

[thibaud74]

Bonjour,

J'essaie de nettoyer des fichiers convertis avec pdftotext afin de les récupérer dans R (analyse statistique).
Pour cela, j'utilise la commande suivante :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
 
cat corpus.txt | tr -cd '\11\12\15\40-\176\224-\237'

Les options du tr sont censé me supprimer mes caractères spéciaux, sauf les caractères ascii indiqués. Sauf que :
- je ne parviens pas à inclure les caractères supérieurs au code 237 ;
- des accents disparaissent
- certains caractères spéciaux subsistent si j'en crois R.

Ci-joint un extrait du texte (corpus) que je souhaite nettoyer.

Merci de l'aide,
Thibaud.