AS
а язык какой?
Size: a a a
2020 December 10
KS
C#. Когда прижмёт, приходится напрягаться...
AS
вы тестировали ее на множестве документов?
AS
у меня есть репо с кучей пдф
AS
сможете прогнать?
KS
У меня есть парочка PDF, которые пока не обрабатываются (в планах разобраться). Но большинство вроде нормально. Вы и сами сможете прогнать, если нужно - SDK есть.
AS
а ну если еще разбираться нужно, то может
MK
Всем привет, на новом сайте pullenti.ru выложена новая библиотека SDK Unitext для выделения текстов из файлов разных форматов (pdf, doc, docx, odt, html и др.). Выделяется не только плоский текст, но и структурирующие его такие элементы как таблицы, списки, сноски, примечания, а также извлекаются картинки. Такое универсальное представление названо Unitext. SDK самодостаточно и не требует внешних библиотек или предустановленного ПО. Функционирует на любых платформах, где поддержаны языки C#, Java, Python или Javascript. Библиотека лингвистического анализа осталась и теперь называется Pullenti Lingvo.
Еще есть wordml (Word 2003), который некоторые крупные компании используют в качестве внутреннего формата в своих продуктах.
KS
Вроде поддержан, это когда всё в чистом одном XML без сжатия. Но не уверен - попробуйте загрузить на сайте.
KS
Кстати, мне даже попадались Word 6 (это ещё до doc 2003) - они тоже обрабатываются.
MK
Вроде поддержан, это когда всё в чистом одном XML без сжатия. Но не уверен - попробуйте загрузить на сайте.
А питоновский код - это результат трансляции с C#?
KS
Да, как и Java и Javascript
RS
C#. Когда прижмёт, приходится напрягаться...
А Java-код рабочий? Там файлы c UTF-8 BOM. На них компилятор валится.
UnitextJava/src/main/java/demo/properties/Resources.java:1: error: illegal character: '\ufeff'
KS
Ой, java не поддерживает BOM? Могу отключить.
MK
Да, как и Java и Javascript
Круто. Не устаю удивляться вашим талантам 👍 помню 5 лет назад в К+ смотрели вашу утилиту по созданию редакций документов, тоже был под впечатлением.
RS
Ой, java не поддерживает BOM? Могу отключить.
Видимо, нет. Если надо, могу для проверки сборки дать gradle-файл. Архив никаких файлов-проекта не содержит
KS
Видимо, нет. Если надо, могу для проверки сборки дать gradle-файл. Архив никаких файлов-проекта не содержит
Сейчас сделаю версию без BOM.
KS
Круто. Не устаю удивляться вашим талантам 👍 помню 5 лет назад в К+ смотрели вашу утилиту по созданию редакций документов, тоже был под впечатлением.
Спасибо, обработка разных НПА - это у меня основная сфера приложения анализа текстов.
MK
Спасибо, обработка разных НПА - это у меня основная сфера приложения анализа текстов.
У меня по большей степени тоже.
KS
Видимо, нет. Если надо, могу для проверки сборки дать gradle-файл. Архив никаких файлов-проекта не содержит
Для Java-кода убрал BOM-ы.