Discussion :

[kary83]

bjr! voici ma question: il m'est demandé de construire une base documentaire dans laquelle je capitalise le fond documentaire de mon institut, les documents de la base doivent etre au format xml, je voudrais savoir comment convertire des documents des formats word, pdf et autre au format xml et comment stocker ces documents xml dans une BDD.merci

[alain.couthures]

Voilà une bonne idée pour la conservation des documents !
Quel est le format XML retenu ?? Je préconiserais DocBook, ou TEI, car la mise en forme y est complètement disparue et qu'il est donc possible d'y appliquer, après, la charte graphique souhaitée.

Pour Word, générer un WordML ou un OpenXML ne posera pas de problème (j'ai déjà écrit un programme C# pour ouvrir un fichier Word et l'enregistrer dans un autre format...). Après, une conversion en un autre format XML va dépendre de la qualité de ceux qui ont créé le document. Il faudrait, déjà, que les titres soient selon les styles correspondants...

Par contre pour PDF, c'est une autre paire de manches ! Si tout le document est le résultat d'un scan, les pages ne sont que des images !!! Un traitement OCR peut récupérer des choses mais la qualité ne sera pas totale... Même si le PDF a été créé directement à partir d'un traitement de texte, c'est très probablement trop tard pour reconstituer automatiquement le texte source : tout est fait pour l'optimisation de l'impression; il n'y a plus de mots mais des glyphes (même pas des caractères!!) positionnées sur la feuille. C'est facile à vérifier quand on demande à Acrobat Reader de trouver une chaîne de caractères : il n'arrive pas à bien la mettre en inversion video... PDF = joli à l'écran, le bazar dedans