KS
Да, многоколоночный пдф вроде обрабатывает нормально
Size: a a a
2020 December 10
KS
Попробуйте в online на сайте
KS
Unitext похож на Apache Tika?
Посмотрел, что-то общее есть: на входе файл, на выходе текст. Но Unitext предлагает более сложную текстовую модель, чем плоский текст. Например, мы знаем, что информация находится в таблицах - Unitext позволит её обработать.
RS
Посмотрел, что-то общее есть: на входе файл, на выходе текст. Но Unitext предлагает более сложную текстовую модель, чем плоский текст. Например, мы знаем, что информация находится в таблицах - Unitext позволит её обработать.
Tika может выдать документ в формате html
KS
Unitext это тоже может - функция GetHtml()
KS
Кстати, этот генерируемый Html отображается в левом окне в online
RS
Строго говоря, Tika - это метабиблиотека над множеством парсеров бинарных документов. Например, для pdf она использует pdfbox.
KS
В этом и отличие - Unitext содержит всё внутри себя и ни в чём стороннем не нуждается.
AK
Вы самостоятельно реализовали работу с pdf, doc, docx?
AS
без сторонних библиотек для этих форматов?
KS
Точнее, для pdf и docx - полностью сам, для doc нашёл какую-то старую библиотеку и сильно её перелопатил.
KS
без сторонних библиотек для этих форматов?
Совершенно верно, ничего стороннего.
AS
Точнее, для pdf и docx - полностью сам, для doc нашёл какую-то старую библиотеку и сильно её перелопатил.
на каком языке? сколько ушло времени на ПДФ?
KS
Этот Unitext я разрабатываю давно, по мере обработки разных форматов. Для PDF до недавнего времени я использовал какую-то открытую библиотеку, но когда пошли PDF, которые не понимались ей, то пришлось всё с нуля написать самому. На PDF ушло около недели. Это самый дебильный формат, с которым я когда-либо сталкивался.
AS
вы ПДФ с нуля написали за неделю?
AS
сильно
AS
слабо верится конечно
KS
Ну, может, чуть больше, не помню точно. Но не больше 10 дней.