עזרה - שינוי שם בקבצי PDF מרובים לפי טקסט מתוך המסמך

[yossiz]

@dovid אמר בעזרה - שינוי שם בקבצי PDF מרובים לפי טקסט מתוך המסמך:

הנה רשימה: PdfTextExtractor של iTextSharp, והספריות הבאות בנוד pdf.js-extract, pdf.js, pdf2json, pdfjs-dist, pdfreader.

מסתבר שיש לנו דרכי פעולה שונות...
הדבר הראשון שהייתי עושה לפני נסיון דרך כל ספרייה שזזה הוא לפתוח את ה-PDF ברנטגן של PDF-ים.
יש כמה תוכנות כאלו, התוכנה האהובה עלי כרגע הוא: https://pdfbox.apache.org/1.8/commandline.html#pdfdebugger
ממש פותח צוהר לתוך המבנה של ה-PDF.
כמובן שצריך להחזיק קרוב אליך את ה"מדריך למשתמש (המתקדם?)" של PDF. ספר בן 1300 עמודים...

ובכן בשניים כעת בדקתי שוב, והם לא נותנים אפילו ספרה אחת.. כל הטקסט כזה 픀퐀혀ꀀ. אבל כלי שורת הפקודה שהבאת מביא תמיד את כל המספרים טוב, אבל הטקסט בלי utf-8 הוא ריק ועם הוא כזה:

╫¢╫ץ╫ש

אם כן תריץ chcp 65001 לפני הפקודה ותמצא נחת. (עובד ב-CMD)
או ב-powershell:

[System.Console]::OutputEncoding = [System.Text.Encoding]::UTF8

[dovid]

@yossiz אמר בעזרה - שינוי שם בקבצי PDF מרובים לפי טקסט מתוך המסמך:

מסתבר שיש לנו דרכי פעולה שונות...

ללא ספק...

אם כן תריץ chcp 65001 לפני הפקודה ותמצא נחת. (עובד ב-CMD)
או ב-powershell:

[System.Console]::OutputEncoding = [System.Text.Encoding]::UTF8

אכן!! אבל למה בC# ובנוד לא הצלחתי בשום קידוד? מאה תודות!

[yossiz]

@dovid אמר בעזרה - שינוי שם בקבצי PDF מרובים לפי טקסט מתוך המסמך:

אבל למה בC# ובנוד לא הצלחתי בשום קידוד

קשה לענות על זה בלי שתשתף קובץ

[מעלה ומוריד]

@yossiz אמר בעזרה - שינוי שם בקבצי PDF מרובים לפי טקסט מתוך המסמך:

• צריך לתת שם ייחודי לכל קובץ כדי שלא יהיה שגיאה כאשר יש שני קבצים עם שם תורם זהה

הסקריפט לא משנה את שם המסמך אלא משכפל אותו עם השם הרצוי, מה שיכול לגרום לכך שאם יתוקן, הסקריפט ירוץ בלי להפסיק, כיוון שתמיד ישארו קבצים לא מטופלים.

[dovid]

@מעלה-ומוריד צריך להחליף את Copy-Item לMove-Item.

[מלא]

@מעלה-ומוריד

אפשר להוסיף מספור-רץ לשם הקובץ,
ועם המספור גם להגביל את הריצה לפי מספר הקבצים שהיו בהפעלה.

[chv]

@dovid אמר בעזרה - שינוי שם בקבצי PDF מרובים לפי טקסט מתוך המסמך:

@מעלה-ומוריד צריך להחליף את Copy-Item לMove-Item.

לא יותר פשוט rename?

[מעלה ומוריד]

@dovid מעולה, תודה!
נקודה נוספת, בקובץ שהעליתי שם התורם "אנונימי אנונימי" אינו שם פרטי ומשפחה אלא כפילות, כך בכל המסמכים למשל "דוד מנהל דוד מנהל"
מה יש לשנות בשביל שהסקריפט ישלוף רק חצי?
מאה ואחת תודות!

[מעלה ומוריד]

@מלא אמר בעזרה - שינוי שם בקבצי PDF מרובים לפי טקסט מתוך המסמך:

@מעלה-ומוריד

אפשר להוסיף מספור-רץ לשם הקובץ,
ועם המספור גם להגביל את הריצה לפי מספר הקבצים שהיו בהפעלה.

האם תוכל להכניס את זה בסקריפט?
בשבילי זה אפילו לא טורקית

[מעלה ומוריד]

@odeddvir אמר בעזרה - שינוי שם בקבצי PDF מרובים לפי טקסט מתוך המסמך:

לשנות את שם הקובץ המקורי ל: שם המקורי+שם התורם.

יותר יעיל יהיה להוסיף לשם הקובץ גם את התאריך המופיע על הקבלה
(אפשר רק את הערך של היום, מכיוון שהתיקיות ממילא מחולקות לפי חודשים)

[chv]

@מעלה-ומוריד יש בכלל כאלה כפולים? אני מתכווין האם יש מצב שיש שתי קבלות באותו יום - לאותו תורם?

[חוקר]

@chv אמר בעזרה - שינוי שם בקבצי PDF מרובים לפי טקסט מתוך המסמך:

@מעלה-ומוריד יש בכלל כאלה כפולים? אני מתכווין האם יש מצב שיש שתי קבלות באותו יום - לאותו תורם?

איני יודע מה אצלו, אבל לי יצא שבוע שעבר לקראת סוף שנת המס שביצעתי תרומה והוצרכתי לחלק אותה לשני תשלומים בשני כרטיסי אשראי נפרדים בגלל המסגרת..
כמובן שקיבלתי שם אוטומטי 2 קבלות.
רק דוגמא שזה ייתכן

[chv]

אוקיי @חוקר .. הוא לא ענה לי אבל מספיק לי שיכול להיות כזה סיטואציה.
@מעלה-ומוריד תגיד אם הקוד הזה טוב ועובד:

param([string]$path = '.')

$pdftotext = "path to pdftotext"

[Console]::OutputEncoding = [text.encoding]::utf8

Get-ChildItem -path $path -Filter '*.pdf' | ForEach-Object -Process {
  $donor = &$pdftotext -enc UTF-8 -simple $_.FullName - | Select-Object -Index 9
  $donor = ($donor -split ' ' | Select-Object -Unique) -join ' '
  $datee = &$pdftotext -enc UTF-8 -simple $_.FullName - | Select-Object -Index 4
  $datee = ($datee -split ' ' )[0].Substring(2, 2)
  $text = '{0}{1}{2}' -f $donor.Substring(2), ' ', $datee
  $counter = 1
  $file = '{0}{1}{2}{3}' -f $_.DirectoryName, '\', $text, '.pdf'
  while (Test-Path -Path $file) {
    $text = '{0}{1}{2}{3}({4})' -f $donor.Substring(2), ' ', $datee, ' ', $counter++
    $file = '{0}{1}{2}{3}' -f $_.DirectoryName, '\', $text, '.pdf'
  }
  $_ | Rename-Item -NewName "$($text).pdf"
}

צריך לשנות בשורה 3 לנתיב לקובץ pdftotext.
זה הקוד של @yossiz שערכתי קצת

= עריכה =
שכחתי לציין מה זה עושה:
סורק את השם + התאריך. (את שם התורם אני מאחד - מוריד את הכפליות)
משנה את שם הקובץ ל: שם התורם + תאריך היום בחודש בלבד.
במקרה וכבר יש קובץ עם השם הזה - הוא משנה את השם ל:שם התורם וכו' + מספר (מתחיל מ-(1) והלאה לפי העניין).

[מעלה ומוריד]

@chv תודה ענקית!
משום מה הוא נתן את (1) כמעט בכל הקבצים (מלבד שניים), זה קרה אחרי שהוא כבר שינה את השמות, כלומר בשלב ב'.
כמו כן, עדיין קיימת הבעיה של תווים לא חוקיים (") ש @OdedDvir הביא למעלה פתרון לגביה.
חוץ מזה פיקס, ואני אסיר תודה, לך וליוסי. אשריכם ישראל.
הנה הפלט:

Test-Path : Illegal characters in path.
At C:\Users\This_user\Desktop\myscript.ps1:15 char:10
+   while (Test-Path -Path $file) {
+          ~~~~~~~~~~~~~~~~~~~~~
    + CategoryInfo          : InvalidArgument: (C:\Users\This_u...איר יערי 25.pdf:String) [Test-Path], ArgumentExcepti
   on
    + FullyQualifiedErrorId : ItemExistsArgumentError,Microsoft.PowerShell.Commands.TestPathCommand

Rename-Item : Illegal characters in path.
At C:\Users\This_user\Desktop\myscript.ps1:19 char:8
+   $_ | Rename-Item -NewName "$($text).pdf"
+        ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
    + CategoryInfo          : NotSpecified: (:) [Rename-Item], ArgumentException
    + FullyQualifiedErrorId : System.ArgumentException,Microsoft.PowerShell.Commands.RenameItemCommand

וזה, סתם פיקנטריה:

צריך : The term 'צריך' is not recognized as the name of a cmdlet, function, script file, or operable program. Check
the spelling of the name, or if a path was included, verify that the path is correct and try again.
At C:\Users\This_user\Desktop\myscript.ps1:21 char:1
+ צריך לשנות בשורה 3 לנתיב לקובץ pdftotext.
+ ~~~~
    + CategoryInfo          : ObjectNotFound: (צריך:String) [], CommandNotFoundException
    + FullyQualifiedErrorId : CommandNotFoundException

[מעלה ומוריד]

@chv אמר בעזרה - שינוי שם בקבצי PDF מרובים לפי טקסט מתוך המסמך:

@מעלה-ומוריד יש בכלל כאלה כפולים? אני מתכווין האם יש מצב שיש שתי קבלות באותו יום - לאותו תורם?

זה קבלות שמופקות אוטומטית, ולפעמים אנשים מכניסים באתר רק את השם הפרטי למשל.

[chv]

@מעלה-ומוריד אמר בעזרה - שינוי שם בקבצי PDF מרובים לפי טקסט מתוך המסמך:

עדיין קיימת הבעיה של תווים לא חוקיים (") ש @OdedDvir הביא למעלה פתרון לגביה.

אני לא הצלחתי להבין איך אמורים ליישם את מה שהוא הביא שם.
אדרבא מי שמבין שיכתוב.

@מעלה-ומוריד אמר בעזרה - שינוי שם בקבצי PDF מרובים לפי טקסט מתוך המסמך:

משום מה הוא נתן את (1) כמעט בכל הקבצים (מלבד שניים), זה קרה אחרי שהוא כבר שינה את השמות, כלומר בשלב ב'.

ברור, זה מיועד להריץ פעם אחת בלבד. כי הוא פשוט סורק את הקבצים הקיימים בתקייה (מקווה שכתבתי ברור).
יש לך גיבוי לכל מה שאתה עושה, ברור?

@מעלה-ומוריד אמר בעזרה - שינוי שם בקבצי PDF מרובים לפי טקסט מתוך המסמך:

חוץ מזה פיקס, ואני אסיר תודה, לך וליוסי. אשריכם ישראל.

מאוד שמח שעזרתי

(בתכלס זה קוד שיוסי כתב, הכנסתי קצת מניפולציות על הטקסט)

[חוקר]

על כל השרשור כאן אני לא יכול להתאפק מלכתוב שני מילים
"אשריכם ישראל"

[מעלה ומוריד]

@chv אמר בעזרה - שינוי שם בקבצי PDF מרובים לפי טקסט מתוך המסמך:

ברור, זה מיועד להריץ פעם אחת בלבד. כי הוא פשוט סורק את הקבצים הקיימים בתקייה (מקווה שכתבתי ברור).

לא ממש הבנתי למה הוא נותן מספור גם לקבצים שאינם כפולים. (וכמו שכתבתי, זה קורה בשלב ב', קודם הוא משנה את השם לכולם, ואח"כ מוסיף מספרים.

יש לך גיבוי לכל מה שאתה עושה, ברור?

בוודאי

[yossiz]

@מעלה-ומוריד

param([string]$path = '.')
 
$pdftotext = "C:\path\to\PdfToText.exe"
 
[Console]::OutputEncoding = [text.encoding]::utf8
 
Get-ChildItem -path $path -Filter '*.pdf' | ForEach-Object -Process {
  if ($_.BaseName -cmatch '^[A-Z0-9]{10}$') { # Check filename matches format
    $donor = &$pdftotext -enc UTF-8 -simple $_.FullName - | Select-Object -Index 9 # Get donor line
    $donor = $donor -replace "[$([Regex]::Escape(-join [IO.Path]::GetInvalidFileNameChars()))]", '_' # Replace illegal characters
    $donor = $donor -replace "[\u202b\u202c]", "" # Strip bidi chars
    $donor = (($donor -split ' ' | Select-Object -Unique) -join ' ').Trim() # Remove double name
    $date = &$pdftotext -enc UTF-8 -simple $_.FullName - | Select-Object -Index 4 # Get date line
    $date = $date -replace '^[^0-9\/]*([0-9/]+)[^0-9/]*$', '$1' # Get date
    $date = $date -replace "[\u202b\u202c]", "" # Strip bidi chars
    $date = $date -replace '/', '_'
    $filename = '{0}_({1}_{2}).pdf' -f $_.BaseName, $donor, $date
    $_ | Rename-Item -NewName $filename
  }
}

עדכן אותנו אם עדיין יש שגיאות.
הסקריפט פועל רק על קבצים שהשם שלהם מתאים לפורמט של "10 אותיות גדולות או מספרים".
מימשתי את הצעותיו המעולות של @OdedDvir

לשנות את שם הקובץ המקורי ל: שם המקורי+שם התורם.

לבדוק אם שם הקובץ גדול מ-10 תווים (ואז הוא טופל)

ממיר את כל התווים הלא תקניים לקו תחתון (מקור)

ולמדתי קצת powershell על הדרך.

[מעלה ומוריד]

@yossiz אמר בעזרה - שינוי שם בקבצי PDF מרובים לפי טקסט מתוך המסמך:

@מעלה-ומוריד

param([string]$path = '.')
 
$pdftotext = "C:\path\to\PdfToText.exe"
 
[Console]::OutputEncoding = [text.encoding]::utf8
 
Get-ChildItem -path $path -Filter '*.pdf' | ForEach-Object -Process {
  if ($_.BaseName -cmatch '^[A-Z0-9]{10}$') { # Check filename matches format
    $donor = &$pdftotext -enc UTF-8 -simple $_.FullName - | Select-Object -Index 9 # Get donor line
    $donor = $donor -replace "[$([Regex]::Escape(-join [IO.Path]::GetInvalidFileNameChars()))]", '_' # Replace illegal characters
    $donor = $donor -replace "[\u202b\u202c]", "" # Strip bidi chars
    $donor = (($donor -split ' ' | Select-Object -Unique) -join ' ').Trim() # Remove double name
    $date = &$pdftotext -enc UTF-8 -simple $_.FullName - | Select-Object -Index 4 # Get date line
    $date = $date -replace '^[^0-9\/]*([0-9/]+)[^0-9/]*$', '$1' # Get date
    $date = $date -replace "[\u202b\u202c]", "" # Strip bidi chars
    $date = $date -replace '/', '_'
    $filename = '{0}_({1}_{2}).pdf' -f $_.BaseName, $donor, $date
    $_ | Rename-Item -NewName $filename
  }
}

עדכן אותנו אם עדיין יש שגיאות.
הסקריפט פועל רק על קבצים שהשם שלהם מתאים לפורמט של "10 אותיות גדולות או מספרים".
מימשתי את הצעותיו המעולות של @OdedDvir

לשנות את שם הקובץ המקורי ל: שם המקורי+שם התורם.

לבדוק אם שם הקובץ גדול מ-10 תווים (ואז הוא טופל)

ממיר את כל התווים הלא תקניים לקו תחתון (מקור)

ולמדתי קצת powershell על הדרך.

נהדר! פצצה!
גם השארת השם המקורי חשובה מצד עצמה.
יישר כח גדול מאוד. לא ראיתי באופק דרך להתמודד עם 1424 קבלות. זה פשוט ישועה.

ולמדתי הרבה על מידות טובות ונתינה על הדרך.

@chv
@yossiz