PHP | חילוץ טקסט בעברית מקובץ PDF
-
-
@WWW אמר בPHP | חילוץ טקסט בעברית מקובץ PDF:
הפיכת סדר התווים בעברית ו/או ג'יבריש
מאיפה נובעים בעיות קידוד אלו?
בעיות הקידוד וסדר התווים לא בהכרח נמצא בשליטתו של הספרייה. אם זה בגלל קידוד לא נכון של הגופנים אין שום פתרון כרגע בשוק. ותאמין לי שחפרתי... (נראה לי שתוכנת החיפוש של @רחמים יודע להסתדר עם זה). צריך לעשות לעצמך טבלאות להמרה.
גם הפיכת סדר התווים יכול לנבוע מהבעיה הנ"ל, כי הספריה לא יכולה לנחש שהטקסט ג'יבריש שהוא רואה אמור להיות מימין לשמאל. -
@yossiz יש ספריות מצוינות, שמוציאים כמעט את כל התווים גם לעברית UTF-8.
הבעיה שזה הופך את סדר התווים.
זה מוצג ככה-
במקום:מה קורה
ברוך השםמוצג:
הרוק המ
םשה ךורבשים לב שסדר השורות כן נכון.
ז"א אם אני עושה רוורס על כל הטקסט רק בתוך המילים, אני מקבל סדר לא נכון של מילים.
אם אני הופך גם את סדר המילים, אני עדיין מקבל סדר הפוך של השורות.[שי]כתבתי פונקציה שהופכת את התווים רק בתוך מילים בעברית והופכת את המילים רק בתוך שורה.
אבל עדיין יש לו הרבה פשלות עם סימנים, טאבים וכו'.אני מחפש משהו מושלם.
אני לא מצליח להבין איך זה עובד? כשאני כותב 'שלום', התו 'ם' נכתב בקובץ ראשון, או התו 'ש'?
אז למה הוא מציג לי קודם 'ם'? -
-
@dovid אמר בPHP | חילוץ טקסט בעברית מקובץ PDF:
אם אתה מנסה על קובץ שנכתב ממש יפה, למשל שהוקלד בפנקס רשימות והודפס ישירות לPDF, פה יש מה לחפש ספריה מושלמת. כי קבצים אחרים, אז לדעתי אין ספריה מושלמת.
אני מנסה על קובץ סטנדטי, נכתב בוורד, עם תבליטים וכדו'.
-
@WWW אמר בPHP | חילוץ טקסט בעברית מקובץ PDF:
כתבתי פונקציה שהופכת את התווים רק בתוך מילים בעברית והופכת את המילים רק בתוך שורה.
אבל עדיין יש לו הרבה פשלות עם סימנים, טאבים וכו'.זה לא כל כך פשוט, כמו שאתה רואה בעצמך, נסה לחפש משהו שמממש את ה-Unicode Bidirectional Algorithm.
כשאני כותב 'שלום', התו 'ם' נכתב בקובץ ראשון, או התו 'ש'?
זה תלוי בתוכנה שמייצרת את ה-PDF, אפשר לבדוק בתוכנת רנטגון ל-PDF כמו זה או זה
-
@yossiz אמר בPHP | חילוץ טקסט בעברית מקובץ PDF:
נסה לחפש משהו שמממש את ה-Unicode Bidirectional Algorithm.
מצאתי ג"כ משהו שמשתמש בכעין זה.
זה מוסיף איזה תו בתחילת המחרוזת ובסופה.
וכך זה מוצג מימין לשמאל.זה לא עבד לי טוב,
זה עבד רק על שורה ראשונה.
אבל אני חושב שזה לא באמת משנה את סדר התווים.
נפק"מ לכמה וכמה דברים...
לדוגמה בקונסול זה עדיין מוצג הפוך. -
@WWW אמר בPHP | חילוץ טקסט בעברית מקובץ PDF:
זה מוסיף איזה תו בתחילת המחרוזת ובסופה.
אני מדבר על משהו אחר, להפוך סדר התווים מסדר חזותי לסדר לוגי. יש תוכנת שורת הפקודה שעושה את זה, זה נקרא
bidiv. אני בטוח שיש גם ספריות עבור PHP שיעשו את זה.כל ספרייה שמוציאה טקסט תקין לכאורה עושה את זה. אתה צריך רק למצוא ספרייה שיעשה את זה. או לממש את החלק הזה בעצמך.
אגב, בדקתי עכשיו PDF מוורד 2013, והטקסט מרונדר בתוך ה-PDF הוא בכיוון הפוך (משמאל לימין).
בדקתי גם PDF שהודפסה למדפסת PDF וגם PDF שיוצא ל-PDF באמצעות הייצוא המובנה של וורד. -
-
@WWW
כאשר יש לך מחרוזת"Hello, עולם!", אז יש לתווים סדר חזותי וסדר לוגי, חזותי זה מה שאתה רואה לפניך ולוגי זה הסדר שבו זה נשמר בזכרון המחשב (וזה גם הסדר האמיתי של התווים).1 2 3 4 5 6 7 8 9 10 11 12 סדר לוגי H e l l o , ע ו ל ם ! סדר חזותי קטע LTR ! ע ו ל ם , o l l e H סדר חזותי קטע RTL o l l e H , ע ו ל ם ! אתה מקבל כרגע טקסט שחולץ מתוך ה-PDF עם שתי בעיות: א) זה חולץ משמאל לימין, וב) זה בסדר חזותי ולא בסדר לוגי.
האלגוריתם כדי לסדר את הטקסט לכאורה הוא כדלהלן:
צריך לעבור על כל הקטעים, קטע קטע. על כל קטע להחליט מה אמור להיות הכיוון של הקטע. (איך אתה עושה את זה זה נושא בפני עצמו).
ואז על כל קטע:
א. אם החלטת שזה קטע ימין לשמאל, צריך להפוך את הסדר של התווים --strrev()
ב. בכל מקרה צריך להריץ את הקטע שורה שורה לפונקציה שמקבלת סדר חזותי ומחזירה סדר לוגי.- לקטע ימין לשמאל:
fribidi_log2vis ( $str , FRIBIDI_RTL , FRIBIDI_CHARSET_UTF8 ) - לקטע שמאל לימין:
fribidi_log2vis ( $str , FRIBIDI_LTR , FRIBIDI_CHARSET_UTF8 )
(בעצם הפונקציה הנ"ל עושה בדיוק הפוך, מקבלת סדר לוגי ומחזירה סדר חזותי. אבל אאל"ט האלגוריתם אמור לעבוד גם בכיוון ההפוך)
- לקטע ימין לשמאל:
-
@yossiz תודה רבה!
-
הפונקציה הזאת מצוינת! היא ממירה אוטומטית את הסדר של התווים (רוורס). מעניין שאין אזכור לזה ברשת..
-
יש לה אופציה לדגל FRIBIDI_AUTO במקום RTL, ככה שזה אמור להיות אוטומטי (זה לא מושלם בכלל).
-
הפונקציה אינה כלולה ב PHP ברירת מחדל, צריך לבנות את הספריה fribidi ואח"כ לרשום את התוסף ב PHP.INI.
-
זה עדיין לא מושלם בכלל
-
-
@WWW אמר בPHP | חילוץ טקסט בעברית מקובץ PDF:
יש לה אופציה לדגל FRIBIDI_AUTO במקום RTL, ככה שזה אמור להיות אוטומטי (זה לא מושלם בכלל).
אל תשתמש באופציית FRIBIDI_AUTO. זה טוב רק בכיוון של לוגי לוויזואלי, אבל בכיוון ההפוך אתה מוסר לפונקציה שורות - לא קטעים שלמים, וזה לא יזהה את הכיוון נכון. (חוץ מזה שזה לא תמיד מזהה את הכיוון הנכון.)
-
-
@WWW אמר בPHP | חילוץ טקסט בעברית מקובץ PDF:
אז איך זה כן עובד?
ולמה זה אוטומטית הופך את סדר התווים?לא כל כך הבנתי מה אתה שואל אבל אני אסביר יותר מה התכוונתי.
מה זה אופציות אלו FRIBIDI_XXXX?
זה קובע את כיוון הבסיס של הקטע. בטקסט דו כיווני יש תווים שאין להם אורינטציה כיוונית מובהקת והכיוון שלהם נקבע לפי כוון הבסיס של הקטע.
FRIBIDI_RTL אומר לפונקציה שכיוון הבסיס הוא RTL.
AUTO אומר לקבוע את הכיוון לפי התו הראשון בקטע שיש לו כיוון מובהק (לאפוקי פיסוק וכו').
אופציית AUTO יכול לעבוד רק אם נותנים לפונקציה קטע שלם. אין הגיון לקבוע את הכיוון לכל שורה בפני עצמה לפי התו הראשון של השורה.
מכיוון שאתה חייב לעבוד שורה שורה ולא בקטעים שלמים, (כי יש לך טקסט בסדר וויזואלי שזה מפוסק על ידי מעבר שורה, הבנת? אין לי כח להסביר יותר...) לכן אתה לא יכול להשתמש באופצית AUTO.
חוץ מזה, בכללות לא מומלץ להשתמש באופציה האוטומטית אם יש לך דרך אחר לדעת את הכוון הנכון כי האוטומטי לא תמיד מזהה נכון. (ע"ע כווני הקטעים בפורום אתמול).
