{"id":1771,"date":"2014-07-29T18:07:50","date_gmt":"2014-07-29T17:07:50","guid":{"rendered":"http:\/\/olivier.hoarau.org\/?p=1771"},"modified":"2014-07-29T18:07:50","modified_gmt":"2014-07-29T17:07:50","slug":"convertir-un-fichier-pdf-en-txt","status":"publish","type":"post","link":"https:\/\/olivier.hoarau.org\/?p=1771","title":{"rendered":"Convertir un fichier pdf en txt"},"content":{"rendered":"

Il n’y a rien de plus frustrant d’avoir un fichier pdf et de ne pas pouvoir faire un copier coller dans un traitement de texte pour vous \u00e9viter une ressaisie laborieuse. J’ai trouv\u00e9 la solution sous linux avec tesseract<\/strong> qui permet d’obtenir un fichier txt \u00e0 partir d’un fichier pdf qui peut compter plusieurs pages. J’avais d\u00e9j\u00e0 pr\u00e9sent\u00e9 tesseract<\/strong> dans un article pr\u00e9c\u00e9dent<\/a> pour faire de la reconnaissance de caract\u00e8re \u00e0 partir d’un scanner.<\/p>\n

Il faut tout d’abord installer tesseract<\/strong>, je vous conseille de l’installer \u00e0 partir des sources pour b\u00e9n\u00e9ficier de la derni\u00e8re version et du package de langue fran\u00e7aise, le site officiel est par ici<\/a>. Il faudra installer pr\u00e9alablement leptonica<\/a><\/strong> qui fournit un ensemble d’outils pour le traitement et l’analyse d’images ainsi qu’ImageMagick<\/strong><\/a> qu’on trouvera sur la plupart des distributions linux.<\/p>\n

Pour le reste j’ai r\u00e9cup\u00e9r\u00e9 le script suivant \u00e0 cette adresse<\/a>.<\/p>\n

#!\/bin\/bash
\nSCRIPT_NAME=`basename \u00ab\u00a0$0\u00a0\u00bb .sh`
\nTMP_DIR=${SCRIPT_NAME}-tmp
\nOUTPUT_FILE=${SCRIPT_NAME}-output.txt<\/p>\n

mkdir $TMP_DIR
\ncp $@ $TMP_DIR
\ncd $TMP_DIR<\/p>\n

pdftoppm -r 600 * ocrbook<\/p>\n

for i in *.ppm
\ndo
\nBASE=`basename \u00ab\u00a0$i\u00a0\u00bb .ppm`
\nconvert \u00ab\u00a0$i\u00a0\u00bb \u00ab\u00a0${BASE}.tif\u00a0\u00bb
\ntesseract \u00ab\u00a0${BASE}.tif\u00a0\u00bb \u00ab\u00a0${BASE}\u00a0\u00bb -l fra
\ncat ${BASE}.txt | tee -a $OUTPUT_FILE
\necho \u00ab\u00a0[pagebreak]\u00a0\u00bb | tee -a $OUTPUT_FILE
\nrm ${BASE}.*
\ndone<\/p>\n

mv $OUTPUT_FILE ..
\nrm *
\ncd ..
\nrmdir $TMP_DIR<\/p><\/blockquote>\n

Je l’ai appel\u00e9 pdf2txt<\/strong>, il suffit de le lancer en tapant pdf2txt fichier.pdf et \u00e7a donne un r\u00e9sultat assez satisfaisant dans un fichier pdf2txt-output.txt.<\/p>\n","protected":false},"excerpt":{"rendered":"

Il n’y a rien de plus frustrant d’avoir un fichier pdf et de ne pas pouvoir faire un copier coller dans un traitement de texte pour vous \u00e9viter une ressaisie laborieuse. J’ai trouv\u00e9 la solution sous linux avec tesseract qui permet d’obtenir un fichier txt \u00e0 partir d’un fichier pdf qui peut compter plusieurs pages. … Continuer la lecture de Convertir un fichier pdf en txt<\/span> →<\/span><\/a><\/p>\n","protected":false},"author":4,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"ngg_post_thumbnail":0,"jetpack_post_was_ever_published":false,"_jetpack_newsletter_access":"","_jetpack_dont_email_post_to_subs":false,"_jetpack_newsletter_tier_id":0,"_jetpack_memberships_contains_paywalled_content":false,"_jetpack_memberships_contains_paid_content":false,"footnotes":"","_share_on_mastodon":"0"},"categories":[5],"tags":[],"class_list":["post-1771","post","type-post","status-publish","format-standard","hentry","category-logiciels-libres"],"share_on_mastodon":{"url":"","error":""},"jetpack_featured_media_url":"","jetpack_sharing_enabled":true,"jetpack_shortlink":"https:\/\/wp.me\/peOjJ-sz","jetpack_likes_enabled":true,"_links":{"self":[{"href":"https:\/\/olivier.hoarau.org\/index.php?rest_route=\/wp\/v2\/posts\/1771","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/olivier.hoarau.org\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/olivier.hoarau.org\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/olivier.hoarau.org\/index.php?rest_route=\/wp\/v2\/users\/4"}],"replies":[{"embeddable":true,"href":"https:\/\/olivier.hoarau.org\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=1771"}],"version-history":[{"count":1,"href":"https:\/\/olivier.hoarau.org\/index.php?rest_route=\/wp\/v2\/posts\/1771\/revisions"}],"predecessor-version":[{"id":1772,"href":"https:\/\/olivier.hoarau.org\/index.php?rest_route=\/wp\/v2\/posts\/1771\/revisions\/1772"}],"wp:attachment":[{"href":"https:\/\/olivier.hoarau.org\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=1771"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/olivier.hoarau.org\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=1771"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/olivier.hoarau.org\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=1771"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}