Foro - Perl en Español

por **jorzuniga** » 2012-12-15 18:43 @822

Hola. Tengo el siguiente problema: hice un pequeño código para interpretar un pdf y pasarlo a un cvs. Todo me funciona perfecto pero, al recorrer la página buscando los datos y se topa con una 'ñ' se salta a la línea siguiente y no muestra la información de esa línea, ilustro con ejemplo:

Sintáxis: [ Descargar ] [ Ocultar ]

Using text Syntax Highlighting

Nombre           Nota Sexo    Direccion  Ciudad

Juan Luis Castro 1929 Hombre Los Boldos Santiago

Rodrigo Flores   1834 Hombre Siena 12 Valparaiso

Miguel Yañez 1324  Hombre Flor 4 ContulmoColoreado en 0.000 segundos,  usando GeSHi 1.0.8.4

Para este ejemplo, una vez terminado el código solo muestra los dos primeros, la tercera fila la omite y pasa a la cuarta fila. Espero me ayuden.

Sintáxis: [ Descargar ] [ Ocultar ]

Using perl Syntax Highlighting

use CAM::PDF; use CAM::PDF::PageText;
use Encode; use LWP::UserAgent;
use LWP::Simple; use strict; use warnings;
 
## Archivos a un Array
opendir (PATH, ".") or die "$!";
my @archivos = grep {/.*?\.pdf/}  readdir PATH;
close PATH;
Ñ=n;
 
open FILE, ">servel.csv" or die "error";
foreach my $archivo (@archivos) {
        my $pdf = CAM::PDF->new($archivo); # abre el pdf
        my $num = $pdf->numPages(); # numero de páginas del pdf
        for(my $x=1;$x<=$num;$x++) { # recorre páginas
                my $page_txt = $pdf->getPageText($x); # lee la página
                while($page_txt =~ m/\n\w{0,25}\s\w{0,25}\s\w{0,25}\s\w{0,25}\n(\d\d|\d).\d\d\d.\d\d\d-(\d|\w)\n\w{0,3}\n.*\n.*/g){ # saca la info
                        my @t = split /\n/, $&; # splitea la info
                        my $out = encode("utf8", $t[1].",".$t[2].",".$t[3].",".$t[4].",".$t[5]); # encodea y ordena la info en csv
                        print $out."\n"; # imprime la info
                        print FILE $out."\n";
                }
        }
}
close FILE;
Coloreado en 0.005 segundos,  usando GeSHi 1.0.8.4

Bienvenido a los foros de Perl en Español, jorzuniga.

Es muy posible que el problema esté en que el comodín '\w' no sea capaz de identificar la 'ñ' porque el texto extraído del PDF no esté en la misma codificación que lo que espera el programa.

Perl, por defecto, usa la codificación ISO-8859-1, pero esa 'ñ' (y todo el resto del texto) pueden estar en ISO-8859-15 o UTF-8, con lo que la idea que tiene '\w' de caracteres que forman una palabra no incluye a los bytes que forman la 'ñ', y por lo tanto la expresión regular fallará y seguirá el while con la siguiente línea.

En la línea 19 le estás pidiendo a Perl que convierta la representación interna de los caracteres almacenados en @t, a UTF-8... pero lo que no sabemos es qué contienen esos caracteres (en qué codificación están, quiero decir).

Así que lo primero que hay que averiguar es en qué codificación estamos consiguiendo el texto.

Un detalle: estás usando el método getPageText() del módulo CAM::PDF, y no el render() del módulo CAM::PDF::PageText. Eso también podría marcar la diferencia a la hora de obtener el texto.

Foro - Perl en Español

Problema con la ñ

Problema con la ñ

Publicidad

Re: Problema con la ñ

¿Quién está conectado?