Convertendo o djvu para o pdf E preservando o índice, como é possível?

Question

Tentei várias ferramentas online e offline, mas as informações da tabela de conteúdo (TOC) não foram preservadas durante a conversão.

Eu gostaria de converter um dicionário finlandês de 5000 páginas que está no formato djvu e tem cerca de 5000 entradas de TOC estruturadas hierarquicamente para encontrar palavras rapidamente.

Alguma idéia de como é possível preservar as informações do TOC durante a conversão de DJVU para PDF?

    

Answer 1

atualização: user3124688 codificou este processo em o script dpsprep .

Não conheço nenhuma ferramenta que faça a conversão para você. Você certamente deve ser capaz de fazer isso, mas pode demorar um pouco de trabalho. Vou descrever o processo básico. Você precisará dos utilitários de linha de comando de código aberto pdftk e djvused (parte do DjVuLibre). Estes estão disponíveis no seu gerenciador de pacotes (GNU / Linux) ou em seus sites (Windows, OS X).

• etapa 1: converta o texto do arquivo

  Primeiro, use qualquer ferramenta para converter o arquivo DJVU em um PDF (sem marcadores).

  Suponha que os arquivos sejam chamados de filename.djvu e filename.pdf .

• etapa 2: extrair o contorno do DJVU

  Em seguida, envie os dados da estrutura de tópicos do DJVU para um arquivo, da seguinte forma:

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

  Este é um arquivo que lista os marcadores de documentos DJVU em um formato de árvore serializado. Na verdade, é apenas um SEXPR e pode ser facilmente analisado. O formato é o seguinte:

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

  Por exemplo:

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

• passo 3: converta o contorno do DJVU para o formato de metadados PDF

  Agora, precisamos converter esses marcadores no formato exigido pelos metadados do PDF. Este arquivo tem formato:

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

  Nosso exemplo seria:

   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
  

  Basicamente, você só precisa escrever um script para percorrer a árvore SEXPR, mantendo o controle do nível, e gerar o nome, o número da página e o nível de cada entrada, no formato correto.

• etapa 4: extrair metadados PDF e mesclar os marcadores convertidos

  Depois de obter a lista convertida, envie os metadados em PDF a partir do arquivo PDF convertido:

  pdftk "filename.pdf" dump_data > pdfmetadata.out
  

  Agora, abra o arquivo e encontre a linha que começa: NumberOfPages:

  insira os marcadores convertidos após esta linha. Salve o novo arquivo como pdfmetadata.in

• etapa 5: criar PDF com marcadores

  Agora podemos criar um novo arquivo PDF com esses metadados:

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

  O arquivo out.pdf deve ser uma cópia do seu PDF com os favoritos importados do arquivo DJVU.

Answer 2

Baseado no esboço muito claro acima dado pelo usuário @pyrocrasty (obrigado!), eu implementei um conversor de DJVU para PDF que preserva tanto o texto OCR como a estrutura de bookmark. Você pode encontrá-lo aqui:

link

Reconhecimentos para os dados do OCR vão para @zetah nos fóruns do Ubuntu!