현재 위치

홈 ›› Forums ›› 공부 ›› 프로그래밍 QnA

PDFBOX로 한글 PDF 파일에서 텍스트 추출시..

icanfly의 이미지
글쓴이: icanfly / 작성시간: 수, 2005/12/07 - 5:19오후

얼마전에 pdfbox를 알아서 시험삼아 한번 돌려 보는데..

tex stripper로 텍스트를 뽑아내니까...

영어는 잘되는데 한글은 왕창 깨져버리는군요

pdfbox cjk로 google검색을 하니

무슨 cmap파일이 어쪄고 하는데..

혹시 pdfbox에서 한글처리해보신분 계시면 어떻게 하면되는지

조언을 부탁드리겠습니다.

그런 안녕히..~

Forums: 
프로그래밍 QnA
익명 사용자의 이미지

글쓴이: 익명 사용자 / 작성시간: 수, 2005/12/07 - 6:21오후

Quote:
$ man xpdf
...
SEE ALSO
pdftops(1), pdftotext(1), pdfinfo(1), pdffonts(1), pdftoppm(1), pdfim-
ages(1), xpdfrc(5)
http://www.foolabs.com/xpdf/

이것으로는 잘 안되나요?
궁금....
익명 사용자의 이미지

글쓴이: 익명 사용자 / 작성시간: 수, 2005/12/07 - 6:39오후

제 시스템이 locale이 UTF-8인지라..... pdf문서 하나 주워다가 테스트해보니...

Quote:
$ pdftotext -enc UTF-8 korean-testdata.pdf

$ cat korean-testdata.txt
한글로 나오지롱~ 메롱~
...

잘되더군요.
질문은 이게 아니었지요? 근데.... --;
icanfly의 이미지

글쓴이: icanfly / 작성시간: 목, 2005/12/08 - 10:27오전

pdftotext로 대충 돌려 보니 상황이 이렇네요

pdf 1.4 font 포함 됨
font 미포함 안됨

pdf 1.3 font 포함 안됨
font 미포함 안됨

pdf 1.2 font 포함 됨
font 미포함 됨

이렇네요 근데 PDFBOX를 써서 해도 같은 결과가 나오는군요..

버전에 상관없이 폰트 포함 여부에 상관없이 하는 방법을 없을까요?

둘러보기