Jeg sidder og skal udtrække data fra en ældre PDF.
-
@infonauten og så antager du vel at dine pdf'er er velskabte.
Når jeg laver PDF-læser er der ofte 'jamen Adobe kan læse det' - ja. Men filen er forkert.@infonauten jeg fandt i øvrigt 30GB semidefekte pdf'er via pdfa den anden dag.
Og husk at der er kommet en ny måde at komprimere data i PDF på...
-
@infonauten Da jeg lærte russisk i sin tid, var der 3 måder: tegnsættet CP-1251, et spirende Unicode eller en meget udbredt russisk font, som bare var en font med kyrilliske bogstaver uden stillingtagen til tegnsæt, så hvis man skiftede skrifttype, så blev der hele til danske tegn med forvrøvlet tekst.
Jeg var jo så en af redaktørerne på bladet hos Center for Russiske og Østeuropæiske Studier, så når der kom bidrag ind på den ene eller den anden måde, så var det en seriøs redigeringsopgave...@mjj hahaha, the horror!
-
@infonauten og så antager du vel at dine pdf'er er velskabte.
Når jeg laver PDF-læser er der ofte 'jamen Adobe kan læse det' - ja. Men filen er forkert.@svuorela filen er forkert og intet i dit økosystem har brokket sig. Det er også et crazy scenarie, når man tænker over det.
-
@infonauten jeg fandt i øvrigt 30GB semidefekte pdf'er via pdfa den anden dag.
Og husk at der er kommet en ny måde at komprimere data i PDF på...
@svuorela jeg sætter min lid til at de python libraries / bindings jeg bruger bliver opdateret upstream.
-
@svuorela jeg sætter min lid til at de python libraries / bindings jeg bruger bliver opdateret upstream.
@svuorela (nedtælling til at det sparker mig i røven, I know
) -
@svuorela jeg sætter min lid til at de python libraries / bindings jeg bruger bliver opdateret upstream.
@infonauten hvad er det du bruger?
-
@infonauten hvad er det du bruger?
@svuorela mit "gamle projekt" bruger PDFminer.six til at tilgå den rå data og smider så heuristiske regler ind for at sparke det til velformet, semantisk html. Det virker ok, især til layoutmæssigt simple titler, som der heldigvis også er en del af.
Til mit nye projekt ("V2") kigger jeg på pypdfium2, men jeg har endnu ikke fungerende kode.
-
@svuorela mit "gamle projekt" bruger PDFminer.six til at tilgå den rå data og smider så heuristiske regler ind for at sparke det til velformet, semantisk html. Det virker ok, især til layoutmæssigt simple titler, som der heldigvis også er en del af.
Til mit nye projekt ("V2") kigger jeg på pypdfium2, men jeg har endnu ikke fungerende kode.
@svuorela eller, jeg har et proof of concept.
-
Men vi ved jo godt hvordan det er.
Når man har set folk arbejde i word og skrive en overskrift, men ikke markere den som overskrift, så den ikke automatisk kommer med i indholdsfortegnelsen, så folk sidder og brokker sig over at skulle lave indholdsfortegnelse, eller at det ikke virker, når nu de selv kan se at den rigtige overskrift jo er der, men programmet bare er dumt.
Så tænker jeg i hvert fald at "mest digitaliserede land i verden" er korrekt og forkert på samme tid
@folfdk @infonauten Jeg stemmer for, at alle tekstbehandlingsprogrammer slettes - også LibreOffice Writer, og så skal alle fremover bruge LaTeX til al formateret tekst.
-
@folfdk @infonauten Jeg stemmer for, at alle tekstbehandlingsprogrammer slettes - også LibreOffice Writer, og så skal alle fremover bruge LaTeX til al formateret tekst.
@nerdd @folfdk @infonauten Ville en enklere løsning ikke være at fjerne alle fed, kursiv og understregningsknapperne [og tastaturgenvejene] i Word, LibreOffice mm. så der kun var logisk opmarkerings-knapper tilbage (h1, h2, p, em, osv)?
-
@nerdd @folfdk @infonauten Ville en enklere løsning ikke være at fjerne alle fed, kursiv og understregningsknapperne [og tastaturgenvejene] i Word, LibreOffice mm. så der kun var logisk opmarkerings-knapper tilbage (h1, h2, p, em, osv)?
@tokeriis @folfdk @infonauten Men Ulf skal jo stadig kunne skelne mellem kemiske formler og fodnoter, og det er altså bare nemmere, når det er LaTeX.
-
@tokeriis @folfdk @infonauten Men Ulf skal jo stadig kunne skelne mellem kemiske formler og fodnoter, og det er altså bare nemmere, når det er LaTeX.
@nerdd @folfdk @infonauten Ikke hvis vi også fjerne muligheden for manuelt at lave sænket og hævet tekst – ALT ikke-semantisk interaktion med Docx fjernes
-
@nerdd @folfdk @infonauten Ikke hvis vi også fjerne muligheden for manuelt at lave sænket og hævet tekst – ALT ikke-semantisk interaktion med Docx fjernes
@tokeriis @folfdk @infonauten Men bliver det så ikke svært for Folmer at skrive Co²⁺ og CO₂?
-
@nerdd @folfdk @infonauten Ikke hvis vi også fjerne muligheden for manuelt at lave sænket og hævet tekst – ALT ikke-semantisk interaktion med Docx fjernes
Og der er allerede en god online editor
-
Og der er allerede en god online editor
@folfdk @tokeriis @infonauten Beklager, den dur ikke. Du må kun bruge Vi
-
@folfdk @tokeriis @infonauten Beklager, den dur ikke. Du må kun bruge Vi
@nerdd @folfdk @tokeriis VI? Amatører. Da jeg var ung, ventede vi på perioder med høj solplet-aktivitet og holdt vores 5 1/4" disketter op mod solen i en sekvens af bevægelser, der fik den magnetiske stråling til at præge den rigtige fil på disketten. Nogle gange stod man der i dagevis. Men det vil I unge aldrig kunne forstå med jeres fancy nymodens "terminaler".
-
@nerdd @folfdk @tokeriis VI? Amatører. Da jeg var ung, ventede vi på perioder med høj solplet-aktivitet og holdt vores 5 1/4" disketter op mod solen i en sekvens af bevægelser, der fik den magnetiske stråling til at præge den rigtige fil på disketten. Nogle gange stod man der i dagevis. Men det vil I unge aldrig kunne forstå med jeres fancy nymodens "terminaler".
@infonauten @folfdk @tokeriis Pffff, disketter! Altså jeg startede med at programmere ved at sende møl ind i lagerhallen, som husede computeren bygget af radiorør og relæer, og så vente på, at de sat sig fast de rigtige steder, og når de ramte forkert, måtte jeg kravle ind og fjerne dem igen.
-
@nerdd @folfdk @tokeriis VI? Amatører. Da jeg var ung, ventede vi på perioder med høj solplet-aktivitet og holdt vores 5 1/4" disketter op mod solen i en sekvens af bevægelser, der fik den magnetiske stråling til at præge den rigtige fil på disketten. Nogle gange stod man der i dagevis. Men det vil I unge aldrig kunne forstå med jeres fancy nymodens "terminaler".
Brugte I solen direkte på disketten? Amatører!
Jeg brugte C-x M-c M-butterfly
-
Brugte I solen direkte på disketten? Amatører!
Jeg brugte C-x M-c M-butterfly
-
Jeg troede VIRKELIG at det var den du tænkte på
