Konwersja djvu na pdf ORAZ zachowanie spisu treści, jak to możliwe?

Wypróbowałem kilka narzędzi online i offline, ale informacje o spisie treści (TOC) nie zostały zachowane podczas konwersji.

Chciałbym przekonwertować 5000-stronicowy słownik fiński, który jest w formacie djvu i ma około 5000 pozycji spisu treści w strukturze hierarchicznej, aby szybko znaleźć słowa.

Masz pomysł, jak można zachować informacje o spisie treści podczas konwersji DJVU na PDF?

aktualizacja: użytkownik3124688 zakodował ten proces w skrypcie dpsprep .

Nie znam żadnych narzędzi, które dokonają konwersji za Ciebie. Z pewnością powinieneś być w stanie to zrobić, ale może to zająć trochę pracy. Przedstawię podstawowy proces. Będziesz potrzebował narzędzi wiersza poleceń open source pdftki djvused(część DjVuLibre). Są one dostępne w menedżerze pakietów (GNU / Linux) lub na ich stronach internetowych (Windows, OS X).

• krok 1: przekonwertuj tekst pliku

  Po pierwsze, użyj dowolnego narzędzia do konwersji pliku DJVU do formatu PDF (bez zakładek).

  Załóżmy, że pliki są nazywane filename.djvui filename.pdf.

• krok 2: wyodrębnij zarys DJVU

  Następnie wyślij dane konspektu DJVU do pliku, jak poniżej:

  djvused "filename.djvu" -e 'print-outline' > bmarks.out
  

  Jest to plik z listą zakładek dokumentów DJVU w formacie drzewa zserializowanego. W rzeczywistości jest to po prostu SEXPR i można go łatwo przeanalizować. Format jest następujący:

  file ::= (bookmarks
             <bookmark>*)
  bookmark ::= (name
                 page
                 <bookmark>*)
  name ::= "<character>*"
  page ::= "#<digit>+"
  

  Na przykład:

  (bookmarks
    ("bmark1"
      "#1")
    ("bmark2"
      "#5"
      ("bmark2subbmark1"
        "#6")
      ("bmark2subbmark2"
        "#7"))
    ("bmark3"
      "#9"
      ...))
  

• krok 3: przekonwertuj kontur DJVU na format metadanych PDF

  Teraz musimy przekonwertować te zakładki do formatu wymaganego przez metadane PDF. Ten plik ma format:

  file ::= <entry>*
  entry ::= BookmarkBegin
            BookmarkTitle: <title>
            BookmarkLevel: <number>
            BookmarkPageNumber: <number>
  title ::= <character>*
  

  Zatem naszym przykładem byłoby:

   BookmarkBegin
   BookmarkTitle: bmark1
   BookmarkLevel: 1
   BookmarkPageNumber: 1
   BookmarkBegin
   BookmarkTitle: bmark2
   BookmarkLevel: 1
   BookmarkPageNumber: 5
   BookmarkBegin
   BookmarkTitle: bmark2subbmark1
   BookmarkLevel: 2
   BookmarkPageNumber: 6
   BookmarkBegin
   BookmarkTitle: bmark2subbmark2
   BookmarkLevel: 2
   BookmarkPageNumber: 7
   BookmarkBegin
   BookmarkTitle: bmark3
   BookmarkLevel: 1
   BookmarkPageNumber: 9
  

  Zasadniczo wystarczy napisać skrypt, aby przejść do drzewa SEXPR, śledząc poziom, i wypisując nazwę, numer strony i poziom każdego wpisu, w odpowiednim formacie.

• krok 4: wyodrębnij metadane PDF i połącz w przekształcone zakładki

  Po uzyskaniu przekonwertowanej listy wyślij metadane PDF z przekonwertowanego pliku PDF:

  pdftk "filename.pdf" dump_data > pdfmetadata.out
  

  Teraz otwórz plik i znajdź linię, która się zaczyna: NumberOfPages:

  wstaw przekonwertowane zakładki po tym wierszu. Zapisz nowy plik jakopdfmetadata.in

• krok 5: utwórz PDF z zakładkami

  Teraz możemy utworzyć nowy plik PDF zawierający te metadane:

  pdftk "filename.pdf" update_info "pdfmetadata.in" output out.pdf
  

  Plik out.pdfpowinien być kopią pliku PDF z zakładkami zaimportowanymi z pliku DJVU.

Opierając się na bardzo wyraźnym zarysie powyżej podanym przez użytkownika @pyrocrasty (dziękuję!), Wdrożyłem konwerter DJVU na PDF, który zachowuje zarówno tekst OCR, jak i strukturę zakładek. Możesz go znaleźć tutaj:

https://github.com/kcroker/dpsprep

Podziękowania dla danych OCR znajdziesz na @zetah na forach Ubuntu!