현재 위치

홈 ›› Forums ›› 공부 ›› 설치 및 활용 QnA

pdftotext 사용하여 text 추출시 한글이 깨지네요...

unijun의 이미지
글쓴이: unijun / 작성시간: 월, 2007/10/15 - 2:28오후

CentOS를 쓰고있습니다
최신 xpdf를 다운받아서 한글관련 CMap 셋팅도 해줬구요
....그런데도 한글PDF 문서의 한글부분 추출이 안되고 있습니다
도움 바랍니다

Forums: 
설치 및 활용 QnA
익명 사용자의 이미지

글쓴이: 익명 사용자 / 작성시간: 월, 2007/10/15 - 3:03오후

해당pdf파일이 pdf뷰어에서 한글검색은 되던가요?

예전 latex으로 만들어진 한글 pdf파일의 경우 한글검색도 안되는 경우가 있더군요.
그런경우 마우스로 파일의 아무한글이나 긁은다음
다른 곳에 복사해보면 깨진 글이 복사되는 것을 볼 수 있습니다.
즉 한글이 pdf안에 깨져서 들어있죠.

그런경우 아마 한글추출도 안될거 같습니다.

정태영의 이미지

글쓴이: 정태영 / 작성시간: 월, 2007/10/15 - 4:15오후

'한글' 이 들어가 있고 이 '한글'이 'CMAP' 과 'CID font' 등을 통해 제대로 렌더링은 되고 있다면 한글이 깨져서 들어간 것은 아니라고 봅니다. 소프트웨어의 버그이거나 '한글' 지원 부족이겠죠.

--
오랫동안 꿈을 그리는 사람은 그 꿈을 닮아간다...

http://mytears.org ~(~_~)~
나 한줄기 바람처럼..

오랫동안 꿈을 그리는 사람은 그 꿈을 닮아간다...

http://mytears.org ~(~_~)~
나 한줄기 바람처럼..

익명 사용자의 이미지

글쓴이: 익명 사용자 / 작성시간: 월, 2007/10/15 - 6:36오후

예를 들면

http://www.cinsk.org/cfaqs/index-ko.html

이런 pdf 파일들을 얘기한 것이었습니다.

unijun의 이미지

글쓴이: unijun / 작성시간: 월, 2007/10/15 - 3:56오후

xpdf에서 한글은 아무 문제가 없습니다
제가 의심하는 건 제 리눅스의 한글세팅(?)에 문제가 아닐까 합니다만
일단 Cent OS에서 한글셋팅이 제대로 되어있는지 확인하는 방법이 있나요?

익명 사용자의 이미지

글쓴이: 익명 사용자 / 작성시간: 월, 2007/10/15 - 4:03오후

xpdf에서 검색에 아무 문제가 없다는 뜻인가요?

unijun의 이미지

글쓴이: unijun / 작성시간: 월, 2007/10/15 - 4:22오후

..

aiel의 이미지

글쓴이: aiel / 작성시간: 월, 2007/10/15 - 5:47오후

-enc utf-8 옵션을 주셨는지요?

또는 .xpdfrc 파일에서
#textEncoding UTF-8
의 주석마킹(#)을 제거하면 항상 UTF-8이 기본값으로 설정됩니다.

텍스트추출은 PDF 렌더링 필터에 가기전에 문제이기 때문에 CMAP 은 크게 문제되지 않습니다.

feanor의 이미지

글쓴이: feanor / 작성시간: 월, 2007/10/15 - 6:07오후

비밀스러운 내용이 아니라면 PDF 파일을 웹에 올려서 다운받을 수 있게 해 주시면 문제 확인이 빠를 듯 합니다.

댓글 달기

텍스트 포맷에 대한 자세한 정보

Filtered HTML

  • 텍스트에 BBCode 태그를 사용할 수 있습니다. URL은 자동으로 링크 됩니다.
  • 사용할 수 있는 HTML 태그: <p><div><span><br><a><em><strong><del><ins><b><i><u><s><pre><code><cite><blockquote><ul><ol><li><dl><dt><dd><table><tr><td><th><thead><tbody><h1><h2><h3><h4><h5><h6><img><embed><object><param><hr>
  • 다음 태그를 이용하여 소스 코드 구문 강조를 할 수 있습니다: <code>, <blockcode>, <apache>, <applescript>, <autoconf>, <awk>, <bash>, <c>, <cpp>, <css>, <diff>, <drupal5>, <drupal6>, <gdb>, <html>, <html5>, <java>, <javascript>, <ldif>, <lua>, <make>, <mysql>, <perl>, <perl6>, <php>, <pgsql>, <proftpd>, <python>, <reg>, <spec>, <ruby>. 지원하는 태그 형식: <foo>, [foo].
  • web 주소와/이메일 주소를 클릭할 수 있는 링크로 자동으로 바꿉니다.

BBCode

  • 텍스트에 BBCode 태그를 사용할 수 있습니다. URL은 자동으로 링크 됩니다.
  • 다음 태그를 이용하여 소스 코드 구문 강조를 할 수 있습니다: <code>, <blockcode>, <apache>, <applescript>, <autoconf>, <awk>, <bash>, <c>, <cpp>, <css>, <diff>, <drupal5>, <drupal6>, <gdb>, <html>, <html5>, <java>, <javascript>, <ldif>, <lua>, <make>, <mysql>, <perl>, <perl6>, <php>, <pgsql>, <proftpd>, <python>, <reg>, <spec>, <ruby>. 지원하는 태그 형식: <foo>, [foo].
  • 사용할 수 있는 HTML 태그: <p><div><span><br><a><em><strong><del><ins><b><i><u><s><pre><code><cite><blockquote><ul><ol><li><dl><dt><dd><table><tr><td><th><thead><tbody><h1><h2><h3><h4><h5><h6><img><embed><object><param>
  • web 주소와/이메일 주소를 클릭할 수 있는 링크로 자동으로 바꿉니다.

Textile

  • 다음 태그를 이용하여 소스 코드 구문 강조를 할 수 있습니다: <code>, <blockcode>, <apache>, <applescript>, <autoconf>, <awk>, <bash>, <c>, <cpp>, <css>, <diff>, <drupal5>, <drupal6>, <gdb>, <html>, <html5>, <java>, <javascript>, <ldif>, <lua>, <make>, <mysql>, <perl>, <perl6>, <php>, <pgsql>, <proftpd>, <python>, <reg>, <spec>, <ruby>. 지원하는 태그 형식: <foo>, [foo].
  • You can use Textile markup to format text.
  • 사용할 수 있는 HTML 태그: <p><div><span><br><a><em><strong><del><ins><b><i><u><s><pre><code><cite><blockquote><ul><ol><li><dl><dt><dd><table><tr><td><th><thead><tbody><h1><h2><h3><h4><h5><h6><img><embed><object><param><hr>

Markdown

  • 다음 태그를 이용하여 소스 코드 구문 강조를 할 수 있습니다: <code>, <blockcode>, <apache>, <applescript>, <autoconf>, <awk>, <bash>, <c>, <cpp>, <css>, <diff>, <drupal5>, <drupal6>, <gdb>, <html>, <html5>, <java>, <javascript>, <ldif>, <lua>, <make>, <mysql>, <perl>, <perl6>, <php>, <pgsql>, <proftpd>, <python>, <reg>, <spec>, <ruby>. 지원하는 태그 형식: <foo>, [foo].
  • Quick Tips:
    • Two or more spaces at a line's end = Line break
    • Double returns = Paragraph
    • *Single asterisks* or _single underscores_ = Emphasis
    • **Double** or __double__ = Strong
    • This is [a link](http://the.link.example.com "The optional title text")
    For complete details on the Markdown syntax, see the Markdown documentation and Markdown Extra documentation for tables, footnotes, and more.
  • web 주소와/이메일 주소를 클릭할 수 있는 링크로 자동으로 바꿉니다.
  • 사용할 수 있는 HTML 태그: <p><div><span><br><a><em><strong><del><ins><b><i><u><s><pre><code><cite><blockquote><ul><ol><li><dl><dt><dd><table><tr><td><th><thead><tbody><h1><h2><h3><h4><h5><h6><img><embed><object><param><hr>

Plain text

  • HTML 태그를 사용할 수 없습니다.
  • web 주소와/이메일 주소를 클릭할 수 있는 링크로 자동으로 바꿉니다.
  • 줄과 단락은 자동으로 분리됩니다.
댓글 첨부 파일
이 댓글에 이미지나 파일을 업로드 합니다.
파일 크기는 8 MB보다 작아야 합니다.
허용할 파일 형식: txt pdf doc xls gif jpg jpeg mp3 png rar zip.
CAPTCHA
이것은 자동으로 스팸을 올리는 것을 막기 위해서 제공됩니다.