Na Linux.com vyšel článek věnující se rozšíření OpenOffice.org o možnost editace PDF. Jedná se o rozšíření Sun PDF Import ve stádiu beta verze. Rozšíření je k dispozici pro vývojové verze OpenOffice.org 3.0, který by měl vyjít v září. Toto rozšíření otevírá PDF dokument v aplikaci Draw a jeho největší nevýhodou je, že text je možné upravovat pouze po jednotlivých řádcích, které jsou reprezentovány jako textové objekty.
Rozšíření OpenOffice pro editaci PDF
4. 7. 2008
26
nových názorů
-
PDF není ISO standardem. ISO standardizací prošla pouze specifická podmnožina PDF (např. PDF-X/1a či PDF-X/3). PDF je velmi široký formát a neustále se vyvíjí.
Neočekávejte ale od editace pdf zázraky. Hrozně záleží na tom, jak bylo pdf vytvořeno a za jakým účelem. Pokud se jedná o finální výstup nebo export z OOo apod., tak tam je už minimum původních kontextových údajů (např. zmizely odstavce) a naopak tam přibyla spousta věcí, které nejsou tak úplně triviální (např. přibalená písma, tedy přesněji jejich podmnožina).
I takový Adobe Illustrator, který má od verze 10 jako interní formát PDF (předtím to byl postscript), nepracuje s každým PDF. Jako svůj formát využívá PDF rozšířené o mnoho věcí, aby byla zachována plná editovatelnost.
Editace PDF fakt není banalita. Je to primárně prezentační formát a je to znát. -
Rejpal (neregistrovaný)
PDF není ISO standardem. ISO standardizací prošla pouze specifická podmnožina PDF (např. PDF-X/1a či PDF-X/3). PDF je velmi široký formát a neustále se vyvíjí.
Copak ISO 32000-1:2008 není kompletní PDF 1.7? Samozřejmě nějaká ta extra rozšíření v Acrobatu nepočítám. Ohledně editovatelnosti, tam je nutno souhlasit. Ale už jinde jsem poznamenal, že u určitých typů dokumentů připadá "inteligentní" rekonstrukce připadá ještě celkem v úvahu (ve stylu OCR, s tím, že není třeba rozpozoznávat písmena, ovšem třeba rušit hyphenation a hádat text flow pochopitelně stále ještě nutné je). Nicméně i to pochopitelně bude fungovat jen u opravdu hodně pravidelných dokumentů, typicky knih. -
mno, jednak jsem v době, kdy jsem psal svůj kmentář, ještě o standardizaci PDF 1.7 nevěděl (mea culpa) a jednak jsem celkově vůči tomu silně skeptický. Hlavně proto, protože s PDF denně dělám, zpracovávám ho, vytvářím, upravuji...
Přestože PDF považuju za zatím nejlepší formát v oblasti prezentace dat, je to formát hrozně průserový kvůli šíři možností, které má.
Jedna z věcí, které mne v PDF děsně štve je právě písmo. PDF má čtyři hlavní možnosti, jak písmo vložit a dosud si bohužel většina aplikací (a opensource obzvlášť) vybírá ty nejpitomější dvě - křivky a vlastní znaková sada. V obou případech je text nezpracovatelný bez skutečného OCR. Chápu důvody, proč se tohle ve specifikaci PDF objevilo, ale hrubě s tím nesouhlasím, protože takové PDF je vhodné jen pro tisk a zobrazení. Vyhledávání a další, hlavně sémantické zpracování je velmi obtížné (čtěte nyní prakticky nemožné).
Takový věcí bych z rukávu vysypal patnáct do tuctu. :( V podstatě každé dodané PDF mi vyhodí nějaký problém na preflightu. Tekhle široký formát je prostě obrovské riziko a ani svaté ISO ho nezachrání.
P.S.: PDF se ale nevzdám. Znovu opakuju, že to je pro prezentační účely zatím to nejlepší, co je k dispozici. Bohužel. -
Rejpal (neregistrovaný)Já myslel, že existence toho standardizačního procesu pro celé PDF 1.7 je veřejně známá. :-) Aspoň mám pocit, že o ní vím minimálně půlrok, pokud ne víc než rok. A co pdfTeX a XeTeX? Pozoroval jste na nich nějaké problémy, pokud Vám něco z nich vylezlého přišlo pod ruku? A nemáme na spolehlivý profi tisk hlavně PDF/X? :-) Jinak můj vztah k PDF je podobný, je to nejlepší ze všech špatných formátů. :-)
-
Rejpal (neregistrovaný)Ha, já to věděl: http://it.slashdot.org/article.pl?sid=07/01/29/1114228 - já tušil, že jsem se to dozvěděl někdy na začátku minulého roku, a trefil jsem se skoro přesně. :]
-
K. (neregistrovaný)Magická fráze je "preserve format". Jinak řečeno, texty z PDF vyexportuje kde co. Ale buď jako plain text (bez formátování), nebo jako množinu rámců s textem. V PDF není uložena žádná informaco o odstavcích, nadpisech atd. Vše je text s nějakým formátem v nějakém rámci, který má nějakou pozici. Celé to pochopíte ve chvíli, kdy se pokusíte dopsat do odstavce slovo. Začne posouvat řádek doprava, ale nikdy nepřeskočí níže. A pokud ano, tak jen proto, že zvětší rámec a začne přepisovat věci pod ním. Nebo je odsune, což je ještě horší - PDF nijak neříká co je záhlaví a zápatí stránky a asi si dokážete představit, co to udělá, když celý dokument posunete o pár centimetrů dolu. V každém případě to, co člověk vidí jako odstavec, to PDF vidí jako množinu rámců, obvykle po řádcích (někdy ani to ne).
Každopádně si dovedu představit, že někdo konečně udělá konvertor, který se pokusí PDF převést na nějaký jiný formát (ODF) tím, že se pokusí data interpretovat. Tedy pokusí se pospojovat některé rámce do odstavců apod. Výsledkem však bude jinak vypadající dokument a tedy to těžko bude nazvatelné "editace PDF". Ostatně tyhle programy již existují, ale já jsem nepotkal žádný, co by to zvládal alespoň dostatečně. Tedy jeden vlastně ano, ale výstup generoval do RTF, které šlo otevřít jen v MS Word. V jiných programech to byl rozsypaný čaj. -
Jakže se to říká? Představuješ si to jako Hurvínek válku? No, obávám se, že Hurvínek byl ještě celkem realista...
Postup s OCR funguje relativně dobře na jednoduchých textových publikacích - jeden sloupec textu, pevně definované záhlaví/zápatí, minimum obrázků, pokud tabulka, tak jednoduchá atd.
Už v případě poznámek pod čarou začne být sranda (a to se přitom poznámky pod čarou ještě celkem slušně algorytmizují). Jakmile se tam objeví vícesloupcová sazba, různé vkládané rámečky, složitější tabulky atd., tak je OCR v koncích. Prostě nezná tok textu a zatím ještě není tak jednoduché analyzovat tok textu a hlavně zvládnutelné v rozumném čase. -
Pavel TišnovskýZlatý podporovatelAdobe navrhl do PDF nejake rozsireni, ktere do vysazeneho dokumentu pridalo i dalsi informace prave o textovych odstavcich. Bylo to myslene predevsim pro nasazeni na malych zarizenich (tam se A4 da precist dost tezko), pro hlasove ctecky atd. Ale hlavni je, ze podpora neni vyzadovana, takze kdyz ji nejaky PDF writer nepouzije, tak jsme zase tam, kde predtim :-( Proste je to opravdu prezentacni format, zatim bych od nej nic jineho necekal (ostatne pro otestovani staci malickost - otevrit si libovolne PDF s dvousloupcovou sazbou a zkusit vybrat odstavec :-) -
Co vím, tak takováto "obrázkopísmenka" dělal scanovací program od Canonu, přičemž ten text byl z OCRka, bitmapy byly přímo ze scanneru. Připadalo mi to docela dobré, člověk to v pohodě přečte a pokud chci něco z toho textu nakopírovat, tak s chybami a omezeními, ale můžu.
BTW jsem zvědavý, co to udělá z textem z PDFTeXu, až do stáhnu a nainstaluju, dám vědět ... :-) -
-y- (neregistrovaný)Priznám sa, že nie je mi celkom jasné, načo je dobré editovať PDFko.
Ako hlavnú výhodu PDFka považujem práve to, že je "read only" a že je všade rovnako zobraziteľné a vytlačiteľné. Jednoducho elektronický papier.
Čo však mne osobne veľmi chýba je nejaká free (alebo aspoň zdarma) aplikácia na vkladanie poznámok do PDF, tak ako to umožňuje Acrobat. -
plamen (neregistrovaný)Něco jako funkce "Přidat text" v pdfedit (http://pdfedit.petricek.net)?
