בירור | בחירת טקסט בpdf: יש או אין?

[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.

[י. פל.]

@אהרן
תקרא כמה הודעות קודם, בבקשה.

[אהרן]

אני לא יודע איך לבדוק את זה, אצלי הPDF בכלל לא עולה, זה נתקע.

[דורש טוב]

@י.-פל. לא מספיק טוב
את הרש"י והתוספות הוא תיקן מעולה
אבל הגמ' יצאה באותיות עבריות אמנם אבל בלי פשר
אגב זה גם תלוי איך פותחים את הקובץ, בדפדפן ההעתקה לא טובה גם ברש"י ותוס', זה יוצא בלי רווחים ועוד שיבושים
פתחתי בPDF XChange ושם יצא טוב, חוץ מהגמ'.
לא בדקתי את שאר המפרשים על הדף
מצורף דוגמא
ברכות - וגשל.fixed.pdf

[יאיר דניאל]

@י.-פל. כתב:

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

אני יוכל לעבוד על זה גם במחשב חלש, נכון?
זה קורה בגיטאב, אם הבנתי נכון?
כי לא באמת הבנתי איך אני משתמש בזה...

[דורש טוב]

@יאיר-דניאל זה קישור ישיר לכלי
https://sivan22.github.io/pdf-missing-encoding-fixer-heb/
זה עובד מקומית על המחשב
אמנם ניסיתי עם מחשב די חזק אבל זה לקח כמה שניות אז נראה לי כל מחשב ישרוד את זה

[יאיר דניאל]

@דורש-טוב וואו!
זה עובד מדהים!
בדקתי הרגע על מסכת הוריות - תוך שניה זה תיקן את הטקסט, וזה טוב גם בהעתקה מדפדפן = גם גמ' וגם רש"י ותוס'.
מה שכן = זה לא מושלם, ברשי ותוס' מעל כמה מילים - הוא מעתיק את כל המשפט בלי רווחים, ויש מקומות שזה לא מזוהה טוב, אבל בכל מקרה עדיף מכלום.
אעשה את זה על כל השס וגשל ואעלה את זה לגיטאב

עריכה:
התלהבות מוגזמת שלי
כעת ניסיתי ברכות - ואת טקסט הגמ' הוא המיר לרצפי אותיות שאין בינהם קשר כלל!...

[דורש טוב]

@יאיר-דניאל זה באמת מדהים
לגבי הרווחים תבדוק כי אצלי זה רק בדפדפן, בתוכנה זה תקין
מעניין לבדוק אם יש הבדל בקידוד בין ברכות להוריות, אולי @סיון יוכל לטפל בזה

[יאיר דניאל]

@דורש-טוב נראה לי זה ענין של מספר הגופנים - בהוריות הוא ממיר כ5 גופנים, לעומת ברכות שהוא ממיר איזה 50 גופנים.
גם בחגיגה - שהוא המיר את כל הרשימה דלהלן... טקסט הגמ' אחרי ההמרה, נראה כך:
Âק·‡ Ï˘ ÂקÙ˙Î ÏÚ ·ÂÎשÏ ÏÂÎק  ק‡˘Ó ˙ÂÏÚÏÂקשÏ˘ÂקÏ Ì‰ש ‰·ק˙ „·שק ·ק˙

[דורש טוב]

@יאיר-דניאל כך או כך, זה כלי חדש שסיון פיתח רק אתמול, נראה לי הוא ישמח לשפר אותו ולנסות אותו 'על רטוב' וגם אנחנו נשמח כמובן

[יאיר דניאל]

@דורש-טוב כתב:

זה כלי חדש שסיון פיתח רק אתמול,

אה, חשבתי זה משהו ישן!
לא התעמקתי בגיטאב שם.