בירור | בחירת טקסט בpdf: יש או אין?

[פלמנמוני]

@הבל-הבלים התכוונת תצוגת ספר, לא תצוגה מפוצלת

[י. פל.]

[הבל הבלים]

@י.-פל.
צודק, זה עובד, כנראה פשלה חדשה! 😉

[י. פל.]

@פלמנמוני הבאג הזה לא לטיפול!!!

[מענין לשמוע]

@י.-פל.
ברור שיש!
אבל לא במסך מגע.

[דורש טוב]

@י.-פל. אני כבר לא מבין מי נגד מי, אבל הPDF מהמאגר של @יאיר-דניאל זה לא OCR, זה הטקסט המקורי שיוצא ג'יבריש

[יאיר דניאל]

@דורש-טוב כתב:

זה לא OCR, זה הטקסט המקורי שיוצא ג'יבריש

אתה יודע מה פירוש המילה OCR?...
למה שאתה קורא "הטקסט המקורי" קוראים בעברית "שכבת טקסט" ובאנגלית קוראים לזיהוי תויים OCR...
והשכבת הטקסט שם היא באמת משובשת, עד שיבוא מישהו ויקח על עצמו לעשות לזה OCR = זיהוי תווים.

[י. פל.]

@יאיר-דניאל כתב:

אתה יודע מה פירוש המילה OCR?...

הוא בהחלט עזר לי.
אני כתבתי שיוצא טקסט ג'יבריש, והוא ענה שזו לט בבעיה של אוצריא - אלא של שכבת הטקסט.

[יאיר דניאל]

@י.-פל. לא רבנו!
הוא דיבר על הש"ס שבמאגר שלי - ששם זה משובש.

בש"ס של אוצריא זה תקין - פחות או יותר.

בכ"מ = מה שהוא כתב לא נכון מבחינה עובדתית ולשונית.

[arieldaniely]

@יאיר-דניאל כתב:

בכ"מ = מה שהוא כתב לא נכון מחבינה עובדתית ולשונית.

דווקא לדעתי הוא צדק, יש הבדל מהותי בין השס שלך לשל אוצריא:
של אוצריא - גמרא מודפסת שנסרקה ועשו לה OCR [זיהוי תווים אופטי = חילוץ טקסט מתמונה] והפכו לקובץ PDF.
של המאגר שלך - קבצי ה-PDF הגולמיים של השס [כמו הדפסה לPDF מוורד], התווים מעולם לא עברו סריקה - הם שם מהייצוא שלו, אלא שבגלל שמדובר בקובץ גדול, עם הרבה פונטים שונים, ה"מילון" שאמור להגיד למחשב מה התו שמקודד פה אומר בפועל ב-UTF8 נדפק [או שהוא לא קיים] ולכן יוצר ג'יבריש [אופציה נוספת היא שהתוכנות לא יודעות לתמוך במילון הזה].

[יאיר דניאל]

@arieldaniely כתב:

של המאגר שלך - קבצי ה-PDF הגולמיים של השס [כמו הדפסה לPDF מוורד], התווים מעולם לא עברו סריקה - הם שם מהייצוא שלו, אלא שבגלל שמדובר בקובץ גדול, עם הרבה פונטים שונים, ה"מילון" שאמור להגיד למחשב מה התו שמקודד פה אומר בפועל ב-UTF8 נדפק [או שהוא לא קיים] ולכן יוצר ג'יבריש [אופציה נוספת היא שהתוכנות לא יודעות לתמוך במילון הזה].

וזאת מניין לך?
מידיעה מהשערה או מזה שזה ג'יבריש?
בכל מקרה הנוסח "טקסט מקורי" הוא לא מדוייק - הטקסט המקורי זה מה שמוצג למשתמש, הוא התכוון לשכבת הטקסט הנסתרת.

[arieldaniely]

@יאיר-דניאל כתב:

מידיעה מהשערה או מזה שזה ג'יבריש?

השערה מבוססת - אתה יכול לראות שזה לא סרוק, מה גם שהרזולוציה כמעט אינסופית => זה תוכן וקטורי [כמו פונט בוורד].
ניסיתי הרבה זמן לתקן את זה, לא הצלחתי...

[י. פל.]

@arieldaniely
איך ניסית לתקן?

[arieldaniely]

@י.-פל. את ה-PDF שלו? לתקן את המילון, GPT יצר לי איזשהו כלי שחילץ את כל סוגי התווים שיש בו, מציג לי כמה דוגמאות של כל אחד ואני מגדיר מה הוא אמור להיות, אבל זה לא עזר...

[דאנציג]

@arieldaniely כתב:

שלו, אלא שבגלל שמדובר בקובץ גדול, עם הרבה פונטים שונים, ה"מילון" שאמור להגיד למחשב מה התו שמקודד פה אומר בפועל ב-UTF8 נדפק [או שהוא לא קיים] ולכן יוצר ג'יבריש [אופציה נוספת היא שהתוכנות לא יודעות לתמוך במילון הזה].

לי ידוע שישנם תוכנות שמקודדות בכוונה את הטקסט המקורי כשמייצאים לPDF כדי שלא יוכלו להעתיק...

[יום חדש מתחיל]

@דאנציג אני לא חושב שלמישהו הי' עניין להסתיר את הטקסט.
אם הי' כאן ענין למישהו, זה להסתיר את הPDF עצמו, לא את שכבת הטקסט...

[דורש טוב]

@יאיר-דניאל כתב:

מידיעה מהשערה או מזה שזה ג'יבריש?

פשוט מאד. גם בגלל הרזולוציה כמו ש@arieldaniely כתב
וגם שאם תנסה לערוך את הטקסט בPDF XChange למשל תראה שאפשר להזיז או למחוק אותו, בשונה מהש"ס של אוצריא שזה מטפל רק בשכבה השקופה
ועי' פה ובהודעות לפני ואחרי

[י. פל.]

מי רוצה לעבוד על זה?
https://github.com/Sivan22/pdf-missing-encoding-fixer-heb

[אהרן]

תוכל קצת לפרט מה זה?

[אהרן]

יש לך קובץ עם בעיה שאני יוכל לבדוק.