Miten PDF-tidoston taulukoista saisi ongittua sen sisältämät numerot? Leikepöydän kautta kopioituna sisältö on käsittämätöntä puuroa, jonka siivoamiseen menee helposti enemmän aikaa, kuin kaiken manuaaliseen kopiointiin. Haulla päädyin vain joillekin windowskaman tyrkytyssivuille.
PDF-tiedoston hyödyntäminen
19
16331
0Äänestä
Muut lukivat myös
Odottaa vastausta
Näihin keskusteluihin ei ole vielä vastattu. Ole ensimmäinen.
Vastaukset 16
Vanhimmat
http://www.ubuntugeek.com/howto-crack-pdf-file-password.html
Kokeile ps2ascii tai pdftotext.
Avaa PDF Evince -ohjelmalla (Asiakirjakatselin), ja kopsaa siitä haluamasi "taulukko", ja kopsaa maalaamasi alue. Avaa sitten OpenOffice, ja pastaa se asiakirjaan. Kun tämän sitten tallentaa .odt -asiakirjana, säilyvät asetukset.
Mutta ho-hoo - miksi olet noin musta!
Ongelmani ei ole PDF-documentin lukeminen, vaan sen sisältämän taulukkomuotisen tiedon käsittely edelleen taulukkolaskennassa. PDF:ssä sarakkeet näkyvät siististi, mutta nämä muotoilut eivät kopioidu leikepöydän kautta. Leikepöydän kautta kopioituna sarake-erottimeksi tulee yleensä vain välilyönti, jos sitäkään. Tulos on sama myös pdf2ascii -komennolla.
Ongelmaan voisi löytyä ratkaisu helpommin, jos saisi sen ongelmatiedoston.
En ole vielä törmännyt PDF-taulukkoon, jonka saisi järjestyksessä leikepöydälle. Ei ole kyse poikkeustapauksesta. Tässä on satunnainen taulukon sisältävä PDF-tiedosto:
http://www.stakes.fi/tilastot/tilastotiedotteet/2008/paihde/taskumatti2008.pdf
Kokeilepa sivun 4 taulukkoa.
pdftotext -layout taskumatti2008.pdf - | sed "s/^ *//g;s/ */\t/g;" >tmp.txt
Tulos on mielestäni aika kelvollinen. Toki tiedosto (tmp.txt) pitää tarkistaa ja siistiä edelleen.
Jaaha, nuo komennossa olleet kolme peräkkäistä välilyöntiä sulautuivat yhteen, miten täällä onnistuu koodin esittäminen, pre-tagillä? Kokeilen...
$ pdftotext -layout taskumatti2008.pdf - | sed "s/^ *//g;s/ */\t/g;" >tmp.txt
Ei toiminut pre-tagikaan...
Tuon sed-komennon jälkimmäistä asteriskia ennen pitäisi olla kolme välilyöntiä.
Mutta miten tuo oikein toimii? Lopputuloksena joku ihmeen merkki, mitä mikään muu ohjema ei ymmärrä, korvataan tabulaattorilla. Mistä näitä kryptisiä rimpsuja on mahdollista opiskella?
Ei varmaan olisi vaikeaa liittää Asiakirjakatselimeen lisäominaisuutta
- maalaa taulukkoalue
- merkkaa sarakkeet
- kopio
Sille luulisi olevan käyttöä, vaikka se ei edes tuon monimutkaisempia toimintoja hallitsisikaan.
Voisitko antaa esimerkin taulukosta, kokeilin itse erään liikkeen hinnastoa ja leikepöydän kautta liitin sen oo.calciin jossa merkkasin erottimeksi juuri välilyönnin niin ihan oikeinhan nuo ainakin minulla menivät laskentataulukkoon ihan nätisti.
Aukaise PDF Okularilla --> valintatyökalu --> kopio tekstiä tai grafiikkaa piirtämällä suorakulmio sen päälle
Jos ei onnistu Asiakirjakatselimella, ei onnistu Okularillakaan. Kokeile esimekiksi yllä linkkaamassani tiedostossa, sivulla 5 olevaa taulukkoa. Jos kopioit sen tekstinä, on leikepöydän sisältö yksi sarake muotoilematonta tekstiä sekalaisessa järjestyksessä. Toinen vaihtoehto on bittikartta, josta ei ole apua senkään vertaa.
joo, kokeilin, en hoksannut että olit linkannut mutta nyt luin ja testasin, menee kyllä ihan perseelleen juu. Mutta voisikohan ongelma ollakin pdf:n muotoilussa sillä kuten sanottu, minun kopioimastani pdf-taulukosta meni ihan heittämällä oikein mutta ei tästä.
Töissä just vituttaa kun yks tyyppi lähettelee jotain excel-taulukoita ja on määritellyt ne A3 kokoon, en ikinä muista muuttaa joten kun tulostan niin ensimmäinen tuloste on sitten aina se pirun A3. Vika on kuitenkin tekijän muotoilussa eikä vastaanottajassa koska meillä oletetaan että kaikki perusasiakirjat ovat kokoa A4. Toki helppo korjata mutta ärsyttävää ja siis vika on siinä alkuperäisen asiakirjan muotoilussa.
Että sen vuoksi tuumailin jos se vika onkin tuossa pdf:ssä eikä muissa ohjelmissa, ehkä sen rakenne on jotenkin rikki tms? Yksi vaihtoehto tuokin.
Toki homman voi yrittää tehdä kömpelösti, hitaasti ja päin persettä hiiren avulla, mutta jos nyt kuitenkin kokeilisitte tuota kryptistä komentorimpsuani. Sen jälkimmäisen asteriskin eteen pitää lisätä ne 2 välilyöntiä, eli siinä pitää olla yhden välilyönnin sijasta 3 välilyöntiä.
Tuloksena syntyvä tmp.txt sitten avataan tekstieditorilla, ja tabin pituus määritellään riittävän isoksi (esim. 24), jotta sarakkeet tulevat näytöllä samaan kohtaan. Taulukoita ei nähdäkseni tarvitse juurikaan korjailla, mutta joitain tabeja pitää ehkä lisätä ja joitain toisia poistaa.
Vasta kun data on siistitty tekstieditorissa, kannattaa se hiirulainen napata kätöseensä ja kopioida data taulukkolaskentaohjelmaan.
Pdf-tiedoston data ei ole rakenteellisesti siinä muodossa kuin miltä se sivulle piirrettynä näyttää olevan. Taulukolta näyttävä visuaalinen kokonaisuus ei ole taulukko vaan xy-koordinaatistoon sijoiteltua dataa.
meillä on kans yks "mulkku" duunissa joka säätelee sivukokoja vaikka minkälaisiksi. aina jännityksellä odottaa, että missähän koossa seuraava tulostimesta ulos tuleepi.. on C5:sta ja A2:sta jne..
kerran se keksi muuttaa tulostuspalvelimelta ajuria niin ettei koneella voinut tulostaa kuin A4:jää ja kun sit tarvittiin A3:a niin ensin se piti tulostaa A4:ksi ja ottaa sitten värikopio A3:lle...
taidan ostaa sille värikynät ja värityskirjan joululahjaksi...