Как конвертировать djvu в pdf и сохранить оглавление, как это возможно?

Question

Я перепробовал несколько онлайн и офлайн инструментов, но информация о содержании (TOC) не была сохранена во время преобразования.

Я хотел бы преобразовать финский словарь на 5000 страниц, который находится в формате djvu и имеет около 5000 записей TOC, структурированных иерархически для быстрого поиска слов.

Любая идея, как можно сохранить информацию об оглавлении во время преобразования DJVU в PDF?

Answer 1

обновление: user3124688 закодировал этот процесс в сценарии dpsprep.

---

Я не знаю каких-либо инструментов, которые сделают преобразование для вас. Вы, конечно, должны быть в состоянии сделать это, но это может занять немного работы. Я опишу основной процесс. Вам понадобятся утилиты командной строки с открытым исходным кодом pdftk и djvused (часть DjVuLibre). Они доступны в вашем менеджере пакетов (GNU/Linux) или на их сайтах (Windows, OS X).

• Шаг 1: преобразовать текст файла

  Сначала используйте любой инструмент для преобразования файла DJVU в PDF (без закладок).

  Предположим, что файлы называются filename.djvu и filename.pdf .

• Шаг 2: извлечь схему DJVU

  Затем выведите данные схемы DJVU в файл, например:

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

  Это файл со списком закладок документов DJVU в формате сериализованного дерева. На самом деле это просто SEXPR, и его можно легко проанализировать. Формат выглядит следующим образом:

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

  Например:

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

• Шаг 3: преобразовать схему DJVU в формат метаданных PDF

  Теперь нам нужно преобразовать эти закладки в формат, требуемый метаданными PDF. Этот файл имеет формат:

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

  Таким образом, наш пример станет:

   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
  

  По сути, вам просто нужно написать сценарий для обхода дерева SEXPR, отслеживания уровня и вывода имени, номера страницы и уровня каждой записи, к которой она относится, в правильном формате.

• шаг 4: извлечение метаданных PDF и слияние в преобразованных закладках

  Получив преобразованный список, выведите метаданные PDF из преобразованного файла PDF:

  pdftk "filename.pdf" dump_data > pdfmetadata.out
  

  Теперь откройте файл и найдите строку, которая начинается: NumberOfPages:

  вставьте преобразованные закладки после этой строки. Сохраните новый файл как pdfmetadata.in

• шаг 5: создать PDF с закладками

  Теперь мы можем создать новый файл PDF, включающий следующие метаданные:

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

  Файл out.pdf должен быть копией вашего PDF с закладками, импортированными из файла DJVU.

Answer 2

Основываясь на очень четкой схеме, приведенной выше пользователем @pyrocrasty (спасибо!), Я реализовал конвертер DJVU в PDF, который сохраняет как текст OCR, так и структуру закладок. Вы можете найти это здесь:

https://github.com/kcroker/dpsprep

Благодарности за данные OCR можно найти на @zetah на форумах Ubuntu!