テクノロジー
プログラマーから見たPDFファイル - アンテナハウス PDF資料室

気に入った記事をブックマーク

気に入った記事を保存できます
保存した記事の一覧は、はてなブックマークで確認・編集ができます
記事を読んだ感想やメモを書き残せます
非公開でブックマークすることもできます

プログラマーから見たPDFファイル - アンテナハウス PDF資料室

テクノロジーカテゴリーの変更を依頼記事元:

www.antenna.co.jp

適切な情報に変更

エントリーの編集

エントリーの編集は全ユーザーに共通の機能です。
必ずガイドラインを一読の上ご利用ください。

このページのオーナーなので以下のアクションを実行できます

タイトル、本文などの情報を
再取得することができます

コメントを非表示にできますコメント表示の設定

ブックマークしました

ここにツイート内容が記載されますhttps://b.hatena.ne.jp/URLはspanで囲んでください

Twitterで共有

次回からTwitterへ自動リダイレクト

ONにすると、次回以降このダイアログを飛ばしてTwitterに遷移します

1198usersがブックマークコメント

コメントするにはログインが必要ですブックマークを追加

ブックマークを追加

よく使うタグ

プログラマーから見たPDFファイル - アンテナハウス PDF資料室

1198 users

www.antenna.co.jp

よく使うタグ

はてなブックマークで
関心をシェアしよう

みんなの興味と感想が集まることで
新しい発見や、深堀りがもっと楽しく

ユーザー登録

アカウントをお持ちの方はログインページへ

記事へのコメント93件

注目コメント
新着コメント

golden-lucky書きました！

2020/08/14リンク

その他

welchmanテキスト抽出はxdoc2txtが便利ですよ。pdf以外にも、WORD,EXCEL,一太郎等にも対応。http://ebstudio.info/home/xdoc2txt.html

2020/08/14リンク

その他

jiro68そもそもPDF技術の元になったPostScriptがプリンターへの印刷や画面描画の為の言語だったから、意味のあるテキストを抽出するようになっていないよね。そういえばWYSIWYGなんて言葉はすっかり聞かなくなったな。

2020/08/14リンク

その他

koji28PDFからテキストを抽出してだな…という案件からは全力で逃げたほうが良いと改めて分かった(´・ω・`)(そこじゃない)

2020/08/14リンク

その他

Ho-oTo個人ブログで似た記事読んだことあるなと思ったら書いたの同じ人だった

2020/08/14リンク

その他

tinsep19これを読むに、一旦表示して、OCRで読ませる際に、フォントや文字のヒントを提供するみたいのが一番精度高そうなんかな？

2020/08/14リンク

その他

mayumayu_nimolove今までPDFのこんな濃厚な解説見たことない

2020/08/14リンク

その他

tettekete37564PDF は最終アウトプット、デジタル上の印刷物としてのフォーマットなのでデータソースとして使おうというのが間違いなんだが。

2020/08/15リンク

その他

sho結論が「pdftotextを使え。以上」みたくなってて笑った。まぁそうだよねぇ……

2020/08/15リンク

その他

toge各種ソフトで試しているの凄い！

2020/08/14リンク

その他

nekonyantaroPDFが凄い技術の詰まった物なのは良く判る。たまにテキストPDFなのに、コピペすると順番がグチャグチャになったり余計な記号が入るのがあるが、あれは何なの？

2020/08/28リンク

その他

misshikiPDFからテキストデータを抽出するなど、自分で実装することはたぶん一生ないけど気になる。

プログラミング

2020/08/17リンク

その他

anone200909分かり易くまとまっています。ただ、PDFからテキストを取り出すには、ここに書かれていることだけではまだまだたりなくて、他にもいっぱい課題があります。

2020/08/16リンク

その他

underdあとでよむ

2020/08/15リンク

その他

HHRコマンドかpythonが無難そう

2020/08/15リンク

その他

T-miura？？？javaでも、pythonでもpdfからデータ抜くためのライブラリあるから、頑張って仕様書なぞよもなくても、それでよくね？（結論はそれっぽいが）この前、10GB以上のpdf、elasticsearchにいれて全文検索できるようにしたぞ？

2020/08/15リンク

その他

kirakking古の資料（論文とか）をスキャンしたPDFのフォントをなんとか入れ替えられないかと思っていたけど、そうか難しいのか。

技術

2020/08/15リンク

その他

diveintounlimitPDFの仕様書のPDFって1000ページ以上あるんだよな。。読むのを断念した。

2020/08/15リンク

その他

htnmikiすごい

2020/08/15リンク

その他

garbagephilia組版文化的にはDTP系のpostscriptファイル、TeX系のdviファイルというデバイス出力前のフォーマットがそれぞれにあったが、Adobe優勢のもとPDFというフォーマットに落ち着いたと認識している。

2020/08/15リンク

その他

rryuPDFの中身は「スタックマシンなPostScriptで書かれたプログラム」で最終的にそういう絵になればいいだけだからやり方は様々という…

2020/08/15リンク

その他

strawberryhunter参考になるとか言ってる時点でお前らにPDFをゼロから扱えるわけが無い。既製のライブラリでも使うのがせいぜいだろう。

未分類

2020/08/15リンク

その他

moshimoshimo812ぜんぜん関係ないけど、2000年代初頭までのAcrobat Readerは起動にめちゃめちゃ時間がかかって、PDFを開くのは地雷だった。それがここまで汎用的なフォーマットになるとは思わなかった。

2020/08/15リンク

その他

oqzl勉強になる。とりあえず必要なときには印刷用のPDFとテキストファイルを両方用意することにしてる

2020/08/15リンク

その他

punkgameイラレデータの延長だと思ってたので特に不思議に思ったことはなかったな…

2020/08/15リンク

その他

nakachop文体というか文章のリズムというのかな？スキ（内容に関係ない感想）

2020/08/15リンク

その他

hatayasan濃厚な解説。

2020/08/15リンク

その他

marmot1123強い人だ……と思ったらgolden-luckyさんじゃん。

2020/08/15リンク

その他

khtokagegolden-luckyさん、アンテナハウスの方だったのか。さすがだ。

2020/08/15リンク

その他

y-kobayashipdf

2020/08/15リンク

その他

hazardprofile2年前読みたかった記事･･･

2020/08/15リンク

その他

wdoomer生成するソフトによって違うのか。reader凄いな。

2020/08/15リンク

その他

fotus43万のPDFファイルからテキストデータを抽出して検索できるプログラム書いてもらう仕事発注したけど、裏側はこんなだったのな

2020/08/15リンク

その他

fossilcatいつか参考にするときがあるかもしれない……

2020/08/15リンク

その他

rasterson画像とフォント意外は基本的にテキストなのだが、Deflate圧縮されてバイナリになっているだけ。圧縮解いたら構造はわかるよ。確かにテキスト取り出そうとはしない方がいい。特に日本語は難しいね。

2020/08/15リンク

その他

tarotarorgこれは大事

2020/08/15リンク

その他

mkusunokPDFからテキストを取り出すのがムッチャ大変という記事。アクセシビリティ、読み上げソフト用のメタデータなんかはもっと読み出しやすいかたちでは入ってないのかな？

2020/08/15リンク

その他

crimsonstarroadなるほど難しい

2020/08/15リンク

その他

kei2100PDF spec 仕様

2020/08/15リンク

その他

dekasasaki少し潜ると面白いよね

2020/08/15リンク

その他

コメントするにはログインが必要ですログインしてコメント

注目コメント算出アルゴリズムの一部にLINEヤフー株式会社の「建設的コメント順位付けモデルAPI」を使用しています

リンクを埋め込む

以下のコードをコピーしてサイトに埋め込むことができます

プレビュー

はてなブックマークボタンを作成して埋め込むこともできます

規約違反を報告

いまの話題をアプリでチェック！

バナー広告なし
ミュート機能あり
ダークモード搭載

アプリをダウンロード

usersに達しました！

さんが1番目にブックマークした記事「プログラマーから...」が注目されています。

気持ちをシェアしよう

ツイートする

プログラマーから見たPDFファイル - アンテナハウス PDF資料室

更新日: 2020年8月14日このページの目的プログラマーは、クライアントから提供されたPDFファイルで、...更新日: 2020年8月14日このページの目的プログラマーは、クライアントから提供されたPDFファイルで、その要求を実現させようとしたとき、PDFのどんなところを見ているのでしょうか。このページでは、ちょっと珍しい視点でPDFファイルを解き明かしていきます。自分でプログラムを書いてPDFファイルからテキストデータを取り出したいという人も、ぜひご一読ください。はじめにPDFファイルをクリックすると、あたかも紙に印刷したかのように、どんなマシンでも同じような見た目で文章や画像がディスプレイに表示されます。この単純な事実は、日常的にPDFファイルを利用していると当たり前に感じられるかもしれません。しかし、よくよく考えると驚くべきことです。いったい、どのような仕組みがあれば、「過去から現在に至るさまざまな種類のコンピューターで見た目を変えずに同一の紙面を再現する」という目的を達成でき