Názory k článku
Import PDF do betaverze OpenOffice.org 3

Do draw je to proto, že PDF je grafický formát. Prakticky se jedná o koláž. Žádné informace typu toto je nadpis, toto seznam, toto tabulka v PDF nenajdete.

Osobně myslím, že i informace tohoto typu jdou ze "slušných" dokumentů PDF ve většině případů vyextrahovat. Nicméně je to tak trošku úkol pro umělou inteligenci, zhruba ve stylu OCR, ale trošku jednodušší: Přesné znaky jsou zachovány, dokonce máme přesné informace o tom, jakým písmem je psána jaká část textu, takže můžeme vydedukovat hlavní styly, ale je zapotřebí identifikovat logicky oddělené části textu (hladká sazba, poznámky na okraji, záhlaví a zápatí), jejichž data mohou ve skutečnosti být všelijak promíchaná, rozpoznat seznamy, číslované seznamy a podobně. Nicméně nemožné mi to nepřijde, i když si nejsem jist, jestli zrovna tohle je něco, o co se Sun tímhle počinem pokouší. To už je v současnosti pro jednotlivce perspektivnější (rychlejší a jednodušší) jít do obchodu, koupit FineReader a v něm ten PDF soubor otevřít.

Mě to připadá jako importovat PCL. Řada aplikací si sama vytváří kombinační znaky, používá kerning pomocí mezer záporné velikosti, odrážka je písmeno B v nějakém fontu, záhlaví a zápatí stránky nelze rozeznat od obsahu... Import PDF musí mít nutně tristní výsledky. A proč dělat něco, co v principu nemůže přinést použitelný výsledek?

pod windowsema a vynechává mi to český znaky, ale pokrok to je. Jak na linuxu? OO3beta jsem zatim na ubuntu (na ntb) nezkoušel.