שלום לכולם,
כדי לעדכן באתר כל-זכות תכנים שמקורם במשרד הרווחה, אנחנו צריכים להיות מסוגלים להעתיק תוכן מתוך הוראות התע"ס. ההוראות מפורסמות בפורמט PDF, אבל אנחנו לא יודעים לפענח את הקידוד שלהן; בהעתקה מתקבלים טקסטים כגון “➎➀❼10➂☎❹❺☎❸9➌❹❸”. דוגמה לקובץ כזה באתר משרד הרווחה.
חילצתי חלק מהמידע באמצעות OCR (השתמשתי ב-Google Docs לצורך זה), אך מדובר בתהליך מסורבל ואני מנסה להקל על העורכים אצלנו. למישהו יש מושג איך לטפל בקידוד הזה?
תודה,
דרור
ניסיתי לשחק עם זה - ללא הצלחה. מחיפוש באינטרנט זה נראה כבעיה לא כ"כ פתורה (לפחות אני לא מצאתי שום דבר).
אם תמצא משהו - תעדכן.
הנה קטע קוד קצר שעושה (חלק) מהעבודה (מביא את העברית)- אפשר לשפר אותו בשביל
שיביא גם את שאר השפות, מספרים וניקוד וגם יהפוך את הסדר שלהן.
a="➁❽❽➄❽➍☎❽❹➈❽➌"ֿ
print ‘’.join([unichr(ord(x)-10100+1488) for x in a.decode(‘utf8’)])
נותן: םיינישѪיופיר
אדם
אדם, תודה -זה מעניין, אבל בהחלט דורש עבודה. ייתכן שבכל זאת ל-OCR יש יתרונות במקרה הזה. נראה שזה הזמן ללמוד להתקין ולהשתמש ב-hocr/Tesseract - אח"כ אשווה תוצאות. תודה שוב 
היי
זה עבד?
עם איזו ספריה/שיטה אתה ממיר pdf (בעברית) לטקסט בכלל?
ויטאלי, בשלב ראשון השתמשתי בשני אתרים:
מכיוון שהמטרה שלי היא להגיע למצב שאני יכול לעשות את זה במאסה בקלות, התכוונתי לנסות את Tesseract; רק שההתקנה מהמאגר (לינוקס מינט) מתרסקת, וזה לא בעדיפות גבוהה מאוד, אז נאלצתי לעבור בינתיים לנושאים אחרים במקום לפתור את זה.
נ.ב. יש גם Wrappers ל-Tesseract כמו pdfsandwich, וממשקים גרפיים למיניהם.