@IOvan

Есть документ представляющий собой сборник статей тезисов (c рисунками) в двух формате pdf, задача получить из многостраничного документа содержащего множество статей множество файлов каждый из которых содержит по одной статье причем деление на статьи должно быть быть постраничным т.е кажждый файл содержит одну статью если следующая статья начинает на странице где кончается первая статья то эта страница захватывается целиком независимо ни от чего. Кроме того каждый файл должен иметь название вида 0номер страницы где начинается статья-0номер страницы где статья заканчивается.pdf
У меня такой вопрос чем осуществить подобное деление в командной строке линукс
Хотелось бы увидеть шелскрипт выполняющий подобное деление
признак для фильтрации такой (к сожалению не знаю спецсимвола начала страницы в pdf да это и бесполезно в каждом иструменте он свой а фильтрация такова
'спецсимвол начала страницы"УДК" Авторский знак Некое множество букв содержащих Фамилию И.О. через запятую год Любое количество символов Спецсимвол конца страницы'
В результате возникает ряд новых вопросов
0. каким инструментом пользоваться для разбивки
1. Кодирование символа начала и конца страницы
2. Кодирование авторского знака
3.Сохранение номера начальной (содержащей УДК) и конечной страницы (содержащей авторский знак copyright

Добавлено через 1 час 12 минут
Обращаю внимание отвечающих просто разбить на файлы pdf мне не требуется!!!!!!

0

@nezabudka

Этот раздел форума не сервис по написанию сценариев.
Для начала хотелось бы увидеть ваши попытки по решению задачи

0

@IOvan

Для того чтобы рассказать о своих попытках мне необходимо знать каким инструментами для этого можно пользоваться а по поводу поток алгорим разбиения изложен в тексте задачи вот еще вариант - алгоритм разбиения фильтрация всех страниц документа на предмет вхождения в них строк содержащих УДК и авторский знак копирайт © определение номеров страниц содержащих эти строки, экспорт номеров этих строк в массив или файл вида номер страницы содержащей УДК-номер страницы содержащей © затем построчное считывание этих страниц в splitpdf в качестве входных значений и сохрание полученного результата так как сказано в тексте задачи.

0

@u235

Я бы перевел каким-нибудь конвертером pdf в html постранично. А дальше парсил бы эти html на предмет наличия заголовков, кегля, жирного шрифта и т.д. Что-то подобное я делал в винде на AutoIt..

0

@qwertehok

pdf это картинка. что бы разбивать по символам картинку надо в эти самые символы конвертировать
найди утилиту которая распознает pdf в txt\rtf в линуксе и когда у тебя будут готовы эти файлы ты легко разберешь на страницы

0

@u235

qwertehok, нет, pdf это не картинка. С тем же успехом можно говорить, что и doc/rtf это картинка.

0

@IOvan

Все это не представляется возможным, т.к. документ содержит картинки.

0

@qwertehok

тогда нужно программирование + что то типа ABBYY API

распознаешь и делишь

0

@u235

По большому счету распознавание и не нужно. Найти есть ли на одной картинке чуть более крупный шрифт, чем на другой можно и в Imagemagick.

0

@IOvan

А просто сделать экспорт страниц по заданному рег выражению нельзя ? Неужели не существует инструментария для этого работающего в ком строке?

Добавлено через 2 минуты
А зачем если нуно просто получить на выходе структурно такие же файлы как исходный только по одной статье в файле о картинках я написал только для того чтобы не было предложений типа берешь зва ковертишь в txt и грепишь его, я просто хотел обратить внимание что такой вариант не годится из-за иллистраций

0

@u235

Почему предложение про конвертацию txt/html не подходит? Это нужно только для поиска начала/конца новой статьи. А так из исходного pdf нарезаются страницы в соответствии с найденными началами статей и картинки никуда не деваются.

Добавлено через 6 минут
Пример:
исходный файл pdf -20 стр.
сконвертировали в 20 txt файлов с именами 001.txt...020.txt
grepом нашли что слово УДК находится в 001.txt, 005.txt,015.txt
значит вырезаем в отдельные файлы из исходного pdf страницы 1-4, 5-14,15-20

0

@qwertehok

вот это вот как сделать?

0

@u235

qwertehok, например утилитой pdftotext из пакета poppler, м.б. придется 3-4 срочки на баше написать для постраничной обработки.

Добавлено через 29 минут
все.
^L набирать как Ctrl-v Ctrl-L

0

@qwertehok

ну и отлично, то что ТС и надо

0