Как лучше загнать в реестр целую гору PDF?

[elia_ua]

Есть некоммерческая задача для внутреннего употребления, к которой пока не знаю как подступится:

- есть 30+ к PDF'ов
- каждый файл содержит многостраничный скан входящих документов
- входящие документы далеко не всегда на стандартном бланке
- надо заглянуть в каждый файл, и определить по первой или второй странице скана отправителя данного документа и дату отправки
- внести в реестр запись "файл такой-то, отправитель такой-то, дата такая-то"

Потенциально мне интересно примерно 10...15% всех этих документов для последующей обработки...

[MonAmur]

Сообщение от elia_ua

Есть некоммерческая задача для внутреннего употребления, к которой пока не знаю как подступится

только ручками и глазками. на фрилансе индусов и габоинцев полно.

[Клон]

мне такой вариант нафантазировался: распознать все автоматом (не в курсе файнридер, например, позволяет так или нет), потом скриптом распознанные документы шерстить, строчку ключевую нашли - ищем пдф с таким же названием и кладем куда надо

[SergejF]

Сообщение от MonAmur

на фрилансе индусов и габоинцев полно.

Имхо тс в данном случае неплатежеспособен: "Есть некоммерческая задача...".

[elia_ua]

Сообщение от MonAmur

только ручками и глазками. на фрилансе индусов и габоинцев полно.

И на проверку результатов работы уйдет сопоставимое время с пробежаться самому ручками и глазками

В какой среде пробегаться? Я пробежался примерно по сотне документов: передвинуть курсор в Total Commander, "Enter", в FOXit мышкой пролестнуть, если интересный документ, то скопировать в Total имя файла, переключиться в Excel, вбить в строку название файла, нужные теги, переключиться обратно в FOXit и подсмотреть дату, вбить ее в Excel...

С такой скоростью буду перебивать все до второго пришествия. Как-то сей алгоритм работы облегчить можно? Да и теги в пропертях PDF файла меня устраивают вполне...

PS
Документы на английском, но со всего света и за несколько десятков лет. Габонцы с индусами за какой порядок суммы обойдутся?

[seocore]

Сообщение от elia_ua

Как-то сей алгоритм работы облегчить можно? Да и теги в пропертях PDF файла меня устраивают вполне...

если в PDF'ке картинка, то гуглить OCR решения для php, а далее PDF=>TXT с последующим поиском нужной строки при помощи регулярок

[elia_ua]

Сообщение от seocore

если в PDF'ке картинка, то гуглить OCR решения для php, а далее PDF=>TXT с последующим поиском нужной строки при помощи регулярок

Пришел к такому же варианту: пакетно вытащить сканы из PDF в картинки (есть несколько бесплатных прог для этого), натравить на них Google OCR, полученные текстовики загнать в базу MySQL в поле с полнотекстовым поиском, что бы по конкретным ключевикам искать конкретные наборы документов (возможно использовать какую-то DMS). Задачку скорее всего отложу на месяц (или до января) - пусть вылежится, вызреет. Результаты, вполне возможно, уйдут в открытый доступ.

[elia_ua]

Сообщение от elia_ua

Пришел к такому же варианту: пакетно вытащить сканы из PDF в картинки (есть несколько бесплатных прог для этого), натравить на них Google OCR, полученные текстовики загнать в базу MySQL в поле с полнотекстовым поиском, что бы по конкретным ключевикам искать конкретные наборы документов (возможно использовать какую-то DMS). Задачку скорее всего отложу на месяц (или до января) - пусть вылежится, вызреет. Результаты, вполне возможно, уйдут в открытый доступ.

Все именно по такому пути и сделал. Вот разве что выкладывание результатов в открытый доступ пока не делал.

[tex_1982]

Только два вопроса в догонку:
1) чем раздербанить djvu на изъятие слоя текста и на картинки не искали?
2) Гугл оцр работает с кириллическим текстом?

[elia_ua]

Сообщение от tex_1982

Только два вопроса в догонку:
1) чем раздербанить djvu на изъятие слоя текста и на картинки не искали?

http://djvu.sourceforge.net/doc/man/djvuextract.html
но не пробовал

Сообщение от tex_1982

2) Гугл оцр работает с кириллическим текстом?

Для него есть языковые модули под русский и украинский языки