Text aus PDFs entnehmen nicht möglich

[so_la_la]

Hallo,
ich möchte aus einem pdf Text übernehmen.
Wenn ich das über Kopieren und Einfügen mache, kommt in Word und in Notepad++++ aber nur Datenmüll raus, lauter Umbrüche und Sonderzeichen. In N++ so komische Symbole.
Das pdf ist aber offensichtlich nicht geschützt, lässt sich drucken und gut lesen.
Der Text lässt sich auch markieren, ist also keine Grafik.
Was kann das sein?

 

[novemberkind]

Wurde das PDF ggf. mit einer nicht systemeigenen Schriftart erstellt?

 

[madmax2010]

Probier es mal mit PDFMiner: https://pypi.org/project/pdfminer/

 

[so_la_la]

Wurde das PDF ggf. mit einer nicht systemeigenen Schriftart erstellt?

Das ist das Problem: ich habe echt keine Ahnung. Evtl.. kann ich es in ein neues pdf drucken?

 

[madmax2010]

chromium ist super darin. imer wenn drucker bei PDFs zicken, jage ich sie einmal durch CHromium. Muessen super Ghostscript Parameter hinterlegt sein
wenn es aber nur ein eingebettetes Bild ist, wird dir das allex nix bringen.

Woher ist die PDF denn? Wer hat sie erstellt?

Ergänzung (12. Januar 2022)

ZUm Extrahieren von Text aus eingebetteten Bildern ist das hier ueberigens der marktfuehrer: https://github.com/tesseract-ocr/tesseract

 

[so_la_la]

chromium ist super darin. imer wenn drucker bei PDFs zicken, jage ich sie einmal durch CHromium. Muessen super Ghostscript Parameter hinterlegt sein
wenn es aber nur ein eingebettetes Bild ist, wird dir das allex nix bringen.

Ne, es geht um die Entnahme von Text bzw. leserlich machen durch andere Programme. Chromium wäre zB Vivaldi oder so?

Woher ist die PDF denn? Wer hat sie erstellt?

Es ist ein Aufsatz aus dem Internet. Er war bereits für den Druck aufbereitet. Ich denke, irgendwas an dieser Aufbereitung macht Probleme.

Ergänzung (12. Januar 2022)

Probier es mal mit PDFMiner: https://pypi.org/project/pdfminer/

Ich weiß gar nicht, wie ich das installieren soll.

 

[PHuV]

Manche PDF sind mit Absicht schreib- bzw. lesegeschützt, da kannst Du nichts extrahieren.

 

[madmax2010]

Wenns nicht illegal ist, schick sie mir und ich schau mal

 

[UNDERESTIMATED]

Knall das Dingen in Google Docs und kopier dir den Kram in ein .txt File mit dem Editor aus dem Zwanzigsten Jahrhundert.

Der kennt praktisch gesehen keine Schriftarten und formatieren kannst du das ja hinterher, nebst ansehnlicherer Schriftart.

Ich übersetze so regelmäßig griechische oder chinesische und japanische pdf's und das hat bisher immer wunderbar funktioniert. Witzigerweise erkennt google docs zwar jedes Schriftzeichen korrekt, kopiert aber nur Müll wenn man das ohne diesen Zwischenschritt in den Übersetzer einfügt.

 

[so_la_la]

Manche PDF sind mit Absicht schreib- bzw. lesegeschützt, da kannst Du nichts extrahieren.

Ja, aber hier geht es eigentlich, ich kenn das wohl, auch Dateien, die sich nicht nochmal als pdf drucken lassen und so

Wenns nicht illegal ist, schick sie mir und ich schau mal

also es ist nicht illegal, aber sollte nicht geteilt werden; es ist nicht wirklich frei zugänglich. Aber danke für das Angebot.

 

[madmax2010]

Ist es ein Wissenschaftliches paper? Gib doi

 

[so_la_la]

Aaalso:
Datei aus foxitreader heraus nochmal als pdf gedruckt (Dateigröße stieg von 2mb auf 180mb).
Die entstandene pdf-Bilddatei (f*ck) dann mit FreeOCR lesbar gemacht und in ein .rtf umgewandelt.
Hat ganz schön lange gedauert (inkl. 1000 Versuchen mit einem komischen Irfanview-Plugin).