czesc
jak dowiedzieć się jakie kodowanie zostało użyte w pliku pdf ?
później chciałbym je przerobić na utf-8, ale coś nie mogę wykryć tego które jest..
korzystam z tej funkcji
http://www.webcheatsheet.com/php/reading_clean_text_from_pdf.php
i po jej użyciu pokazuje się tekst, ale zawiera krzaczki w miejscu polskich znaków
A w programie do wyświetlania PDF'ów są one?
w acrobat readerze jest wszystko ok, wyświetla polskie znaki
tylko wprzeglądarce są krzaki oraz, jak dam podgląd kodu, to pokazuje mi go w taki sposób:
c?o?s?t?a?m?...
czyli każdy znak jest poprzedzony znakiem zapytania..
witam,
dowiedziałem się że ten pdf jest generowany przez program mPDF 4.5, jeśli nie ma tam polskich znaków, to nie ma problemu z jego odczytem powyższym skryptem, jeśli jednak są polskie znaki to nie mogę sobie poradzić, proszę o pomoc
A ustawiłeś kodowanie strony na odpowiednie?
ogólnie wygląda to tak:
odczytuje dane z tego pdf'a (za pomocą zestawu funkcji, wyżej pisałem o tym) oraz chciałbym, aby było one zakodowane w utf-8,
require_once 'pdf2text.php';
function to_utf8($_text)
{
return iconv('windows-1252','UTF-8', $_text); // tutaj nie wiem co mam wpisać, ponieważ nie znam kodowania znaków tego pdf'a
}
$content = to_utf8(pdf2text('1.pdf'));
echo $content .'<br /><br />';
po parsowaniu tego kodu wynik jest jak w załączniku "page.jpg", po kliknięciu ^U (widok kodu strony) pojawia się to co widać na site_code.jpg
widok strony "page.jpg" jest podobny nawet jak wyłączę użycie funkcji to_utf()
zrobiłem tak, że nie ustawiłem tego kodowania w nagłówku strony i on sam wykrył, wykrył zachodni iso8859-1, to zmodyfikowałem kod i teraz wygląda tak:
<html>
<head>
<title>Strona CAS</title>
<meta http-equiv="content-type" content="text/html; charset=iso-8859-1" />
</head>
<body>
<?php
require_once 'pdf2text.php';
function to_utf8($_text)
{
return iconv('windows-1252','UTF-8', $_text);
}
function str_between( $_start_limiter, $_end_limiter, $_haystack )
{
$haystack = $_haystack;
$start_pos = strpos($haystack,$_start_limiter);
if ($start_pos === FALSE) return FALSE;
$start_pos += strlen($_start_limiter);
$end_pos = strpos($haystack,$_end_limiter,$start_pos);
if ($end_pos === FALSE) return FALSE;
return trim(substr($haystack, $start_pos, $end_pos-$start_pos));
}
$content = (pdf2text('1.pdf'));
echo $content .'<br /><br />';
?>
<body>
</html>
wyniki w ff nadal takie same (w widoku kodu strony są znaki zapytania), jednak w chromie nie ma znaków zapytania, w chromie zauważyłem następujące prawodłowości:
tak wyświetlane są polskie znaki:
ę -> nie ma w ogóle
ą -> nie ma w ogóle
ć -> nie ma w ogóle
ś -> [
ń -> D
ł -> B
ustaw charset na utf-8 i wywal ta konwersje z windows-1250 na utf-8 w kodzie
problem nadal jest. po przeleceniu po wszystkich znakach zauważyłem taką rzecz:
to są kody ASCII znaków (funkcja ord() po każdym znaku):
0 83 0 111 0 112 0 111 0 116 0 44 0 32 0 100 0 110 0 105 0 97 0 32 0 50 0 48 0 49 0 49 0 45 0 49 0 49 0 45 0 49 0 56 10 0 90 0 76 0 69 0 67 0 69 0 78 0 73 0 69 0 32 0 78 0 65 0 80 0 82 0 65 0 87 0 89 0 32 0 67 0 65 0 83 0 47 10 0 49 0 49 0 49 0 49 0 48 0 48 0 49 0 51 0 52 0 55 0 50
jak widać powyżej, każdy znak jest poprzedzony kodem zero, może ta informacja coś Wam powie.. bo ja nie wiem wciąż jak sobie z tym poradzić
no i problem nadal występuje
co z tego, że wiemy już że to utf-16 jak żadna funkcja nie chce tego przerobić na utf-8
np utf8_encode() przerabia cały ciąg już dosyć dobrze (widać ó!) jednak nadal znaki są poprzedzone 0, tzn nadal jest to kodowanie utf16 ?
ciąg jest dosyć długi (600 znaków) może to ma jakieś znaczenie ?
mój kod wygląda tak:
<?php
require_once 'pdf2text.php';
function fragment( $_t )
{
return mb_convert_encoding(mb_substr($_t, 0, 100, 'UTF-16'),'UTF-8','UTF-16');
}
$content = (pdf2text('1.pdf'));
if (mb_check_encoding($content, 'UTF-16')) echo 'JEST UTF-16<br /><br />';
echo fragment($content);
//echo mb_convert_encoding($content,'UTF-8','UTF-16');
?>
funkcja mb_check_encoding zwraca true, czyli jest to utf-16
natomiast funkcja fragment() zwraca pierwsze 101 znaków mojego ciągu, początek jest ok, nie ma już zer przed każdym znakiem, ale pojawiły się chińskie znaczki.. (załącznik)
proszę o pomoc