Las existentes son propietarias y caras como el Adobe Acrobat Writer.
Investigando un poco di con pdf toolkit. Un set de herramientas de consola sumamente utiles que nos permite:
* Combinar documentos PDF
* Separar las paginas PDF en un documento nuevo
* Descifrar un documento (se necesita contraseña)
* Cifrar el documento resultante
* Descomponer un documento PDF en páginas sueltas
* Obtener información de las características del PDF, incluyendo metadatos y marcadores
* Descomprimir y volver a comprimir paginas
* Reparar un PDF corrupto (siempre y cuando sea posible)
Primero instalemos las herramientas necesarias:
En todas las distros de Linux se van a encontrar con las PDF toolkit en los repositorios.
Para distros basadas en Debian es tan fácil como hacer:
apt-get install pdftk
Al cabo de unos segundos lo tendrán instalado.
Comencemos a trabajar:
Mi hermano me entrega el documento en cuestión,
Infome.pdf
Primero vamos a analizar el documento:
$ pdfinfo Informe.pdf
Title: Microsoft Word - Informe.doc
Author: Martin
Creator: PScript5.dll Version 5.2
Producer: Acrobat Distiller 6.0 (Windows)
CreationDate: Tue Mar 11 10:24:16 2008
ModDate: Tue Mar 11 10:31:58 2008
Tagged: no
Pages: 93
Encrypted: yes (print:yes copy:no change:no addNotes:no)
Page size: 595 x 842 pts (A4)
File size: 626733 bytes
Optimized: yes
PDF version: 1.5
Claramente vemos que el documento esta protegido contra copia, cambios y agregar notas.
Aqui recide el problema ya que lo que quería hacer era obtener el texto del informe y ningún lector PDF como Foxit o el misimo acrobat reader le dejaba (obviamente).
La solución fue Evince que lo dejo abrir y copiar a un documento sin ningún problema.
Otra solución posible hubiera sido copiar el archivo a formato ps (poscript) y luego volver a convertirla a pdf.
Ejemplo:
$ pdftops Informe.pdf Informe.ps
luego
$ pstopdf Informe.ps Informe_sin_restricciones.pdf
De esa manera cuando vuelvan a verificar con pdfinfo veran que ya no presenta ninguna restricción:
$ pdfinfo Informe_sin_restricciones.pdf
Producer: GPL Ghostscript SVN PRE-RELEASE 8.61
CreationDate: Mon Mar 17 22:34:52 2008
ModDate: Mon Mar 17 22:34:52 2008
Tagged: no
Pages: 93
Encrypted: no
Page size: 595 x 842 pts (A4)
File size: 756999 bytes
Optimized: no
PDF version: 1.4
En vez de utilizar Evince para extraer el texto se podria haber hecho lo siguiente:
$ pdftotext Informe_sin_restricciones.pdf texto.txt
Ahora si tenia password para poder abrirlo ya es otro cantar.
Ahi sí nos va a llevar un tiempo, ya que tenemos que usar otra herramienta para poder crackerla, pdfcrack.
Hasta ahora mi hermano estaba más que contento ya que tenia el texto, lo podía formatear y cambiar como a el le guste pero todavia necesitaba algo más ya que el documento contenía también gráficos.
Para poder extraer los gráficos hice lo siguiente:
$ pdfimage -j Informe_sin_restricciones.pdf imagen
El resultado fue una serie de archivos jpg conteniendo todos los gráficos (imagen001.jpg, imagen002.jpg, etc)
Ahora sí, ya tenemos totalmente desglosado el pdf con el texto y los gráficos separados para poder ser reutilizados en otros informes o presentaciones.
Baires Norte Lug
Licencia Creative Commons BY-NC-SA 2.5 AR.
http://www.pdfhacks.com/pdftk
http://pdfcrack.sourceforge.net
http://www.accesspdf.com
