def main(argv):
for arg in argv[1:]:
fd = open(arg)
parser = PDFParser(fd)
document = PDFDocument(parser)
if not document.is_extractable:
print "Document not extractable."
return 1
params = LAParams(char_margin=1)
resMan = PDFResourceManager(caching=True)
device = PDFPageAggregator(resMan, laparams=params)
interpreter = PDFPageInterpreter(resMan, device)
parser = x86ManParser("html", params)
i = 1
for page in PDFPage.get_pages(fd,
set(),
caching=True,
check_extractable=True):
print "Processing page %i" % i
interpreter.process_page(page)
page = device.get_result()
parser.process_page(page)
i += 1
parser.flush()
fd.close()
print "Conversion result: %i/%i" % (parser.success,
parser.success + parser.fail)
with open("opcodes.json", "wb") as fd:
fd.write(parser.output_opcodes_json())
def main(argv):
for arg in argv[1:]:
fd = open(arg)
parser = PDFParser(fd)
document = PDFDocument(parser)
if not document.is_extractable:
print "Document not extractable."
return 1
params = LAParams(char_margin=1)
resMan = PDFResourceManager(caching=True)
device = PDFPageAggregator(resMan, laparams=params)
interpreter = PDFPageInterpreter(resMan, device)
parser = x86ManParser("html", params)
i = 1
for page in PDFPage.get_pages(fd, set(), caching=True, check_extractable=True):
print "Processing page %i" % i
interpreter.process_page(page)
page = device.get_result()
parser.process_page(page)
i += 1
parser.flush()
fd.close()
print "Conversion result: %i/%i" % (parser.success, parser.success + parser.fail)
def main(argv):
for arg in argv[1:]:
fd = open(arg, 'rb')
parser = PDFParser(fd)
document = PDFDocument(parser)
if not document.is_extractable:
print("Document not extractable.")
return 1
params = LAParams(char_margin=1)
resMan = PDFResourceManager(caching=True)
device = PDFPageAggregator(resMan, laparams=params)
interpreter = PDFPageInterpreter(resMan, device)
parser = x86ManParser("html", params)
i = 1
for page in PDFPage.get_pages(fd, set(), caching=True, check_extractable=True):
print("Processing page %i" % i)
interpreter.process_page(page)
page = device.get_result()
parser.process_page(page)
i += 1
parser.flush()
fd.close()
# RG: We get the parse in just one file: html/AAA.html
# Looks like the original repo does not create all the separate pages for all the
# instructions nor the index.html
# Dus gewoon een grote parse in een file met als filename de eerste instructie.
# En later heeft ie de losse pagina's daar dan weer uit gehaald door te zoeken op <h3>
# en de closing tags toe te voegen.
# En zo ook een index.html gemaakt en zelf een style.css erbij.
# NOTE_: we are getting 3 sorts of Description: <p>, <table> and <svg>
# Op zijn website is het alleen <p> dus hij heeft zeker nog nabewerkingen gedaan.
# Ook toevoegen van <pre> en <h2> etc.
# Dit is dus alleen een grove parse om de tekst en tabellen eruit te krijgen.
# Gezien de issues (e.g. problemen met footnotes in MOV) is het waarschijnlijk beter om
# te gaan werken met de html die pdf2txt maakt. Is wel niet zo clean maar geeft minder
# problemen.
# Kijkend naar de resultaten van alle pdf2html conversies ziet het er naar uit dat het toch
# niet zo makkelijk programmatisch gaat. zneak/felix heeft zijn best gedaan en genereert cleane
# html maar er zitten toch nog veel fouten in (zie issues). pdf2txt maakt een nette layout maar
# in de tabellen gaat het vaak mis en moet je nog veel nabewerken. Het is te vergelijken met
# pdf2music: soms lukt het maar meestal ziet het er niet goed uit en kun je beter alles handmatig
# doen. Veel werk maar geeft het beste resultaat.
# pdf2txt gebruikt trouwens spans voor tabellen. Lelijk.
# DONE: checked out pdftohtml from Xpdf. This produces the best looking pages. But also no real
# tables. It uses a png file as background for the tables and then lays everything out with
# absolutely positioned divs. For exact positioning that seems the way to go. But also slight
# mistakes in the table layout. Faster (C++, Qt) and better than pdfminer.six.
# But no real tables is faking it...
# NOTE_: at autoclose we are getting mismatch: th strong when parsing the full vol2a.pdf
# Something goes wrong.
# Figures are extracted as svg but often look warped (e.g. Figure 3-18 and 3-19 at HADDPS)
# PDF parsing is like unscrambling scrambled eggs...
# DONE: checked out pdf2htmlEX. It creates perfectly looking html 5 pages. It can be done!
# It is fast and puts everything in one html page.
# TODO_: check out https://github.com/fmalina/unilex-transcript which promisses to create
# clean (semantic) html from pdf2htmlEX output.
# NOTE_: Conversion result geeft altijd 0/0 omdat we niet in de code komen waar success en fail worden
# geincrementeerd. Het zijn dus loze variabelen.
print("Conversion result: %i/%i" % (parser.success, parser.success + parser.fail))
