Tengo un enlace comoExtrae el texto de PDF (tengo un enlace a PDF) en rubí
http://www.downloads.com/help.pdf
Quiero descargar y analizarlo para obtener el contenido del texto.
¿Cómo puedo hacer esto? También planeo etiquetar -ize (si hay una palabra como esa) el texto extraído
Puedes usar la gema pdf-reader (el ejemplo example/text.rb es simple y funcionó para mí): https://github.com/yob/pdf-reader
O la utilidad de línea de comandos pdftotext.
También puede echar un vistazo a DocRipper, una joya mantengo, que proporciona una interfaz de Ruby para la extracción de texto de un número de formatos de documentos como PDF, DOC, DOCX y croquis.
DocRipper utiliza pdftotext bajo el capó y evita las dependencias de Java.
require 'doc_ripper'
DocRipper::rip('/path/to/file.pdf') => "Pdf text"
Puede leer archivos remotos usando la biblioteca estándar de Ruby:
require 'open-uri'
require 'doc_ripper'
tmp_file = open("some_uri")
DocRipper::rip(tmp_file.path)
Hola. ¿Podría indicarnos la sintaxis para usar docripper con enlace a la ruta del archivo en lugar de la ruta del archivo local? – Sagar
@Sagar ¿Te refieres a una ruta de archivo remota? – Paul
si !!! Estoy usando el almacenamiento de Amazon S3, así que tendré solo los enlaces a los archivos. – Sagar
¿Existe como un buen tipo tutorial de cosas en él? Soy nuevo en ruby, pero copiar código de ejemplo me parece malo – theReverseFlick
No diría que adaptar su ejemplo es algo malo. Aquí hay un tutorial que puede interesarle y explica un poco los conceptos: http://pullmonkey.com/2010/01/18/ruby-pdf-reader-gem-tutorial/ – seeingidog