Ho un link comeestrarre il testo da PDF (devo link PDF) in Ruby
http://www.downloads.com/help.pdf
Vorrei scaricare questo, e analizzarlo per ottenere il contenuto del testo.
Come faccio a fare questo? Ho anche intenzione di taggare (se c'è una parola del genere) il testo estratto
Puoi usare la gemma del pdf reader (l'esempio/example.rb è semplice e ha funzionato per me): https://github.com/yob/pdf-reader
Oppure l'utilità della riga di comando pdftotext.
Si può anche dare un'occhiata a DocRipper, una gemma io sostengo, che fornisce un'interfaccia di Ruby per l'estrazione di testo da un certo numero di formati di documenti tra cui PDF, DOC, DOCX e schizzo.
DocRipper utilizza pdftotext sotto il cofano ed evita le dipendenze Java.
require 'doc_ripper'
DocRipper::rip('/path/to/file.pdf') => "Pdf text"
È possibile leggere i file remoti utilizzando la libreria standard di Ruby:
require 'open-uri'
require 'doc_ripper'
tmp_file = open("some_uri")
DocRipper::rip(tmp_file.path)
Ciao. Potresti comunicarci la sintassi per l'utilizzo di docripper con il collegamento al percorso del file anziché il percorso del file locale? – Sagar
@Sagar Ti stai riferendo a un percorso di file remoto? – Paul
si !!! Sto usando amazon s3 storage quindi avrò solo i link ai file. – Sagar
C'è come un buon genere un'esercitazione di cose su di esso? Sono nuovo di rubino, ma copiare codice di esempio mi fa male per me – theReverseFlick
Non direi che adattare il loro esempio è una brutta cosa. Ecco un tutorial che potrebbe interessarti e spiega un po 'i concetti: http://pullmonkey.com/2010/01/18/ruby-pdf-reader-gem-tutorial/ – seeingidog