Discussion :

[Srh00]

Bonjour,

J'aimerais pouvoir convertir des documents pdf en html pour pouvoir par la suite les stocker dans une Base de donnée et faire un moteur de recherche. J'ai vu que l'on pouvais utiliser pdftohtml mais je ne trouve aucune documentation ou exemple qui m'explique comment faire, je quelqu'un possède un exemple ou puisse m'orienter quelque part

Merci de vos réponse

[riete]

Cela dépends si tu souhaite conserver la présentation de tes documents ou si tu es interessé uniquement par le contenu texte sur lequel tu dois faire ta recherche?

Convertir en HTMl n'est pas obligatoirement nécessaire pour stocker tes fichiers PDF. Tu peux par exemple utiliser le type BLOB en MySQL.

Je ne sais pas si cela peux t'aider, mais donne nous un peu plus d'infos pour que les réponses soient un peu plus précise

[Srh00]

Merci pour cette réponse rapide

J'explique plus précisemment mon projet je suis chargé de réaliser une application en intranet qui devra indexé des fichiers .doc et .pdf puis ensuite faire un module de recherche qui devra recherche dans ces documents un moteur de recherche quoi

J'avais penser à convertir les fichiers en html pour pouvoir faire mes recherches plus facilement car avec les .doc c'est pas tout simple :s j'ai deja réussi a convertir des .doc en .html j'aurais donc aimer faire de même avec les pdf ou en txt à la rigueur

Si vous avez besoin de plus d'infos demander moi ^^
Voila si vous avez des idées à me proposer je suis preneur je suis pas très expérimenté en php étant qu'en deuxième année d'informatique je dois réaliser ce projet lors de mon stage en entreprise

Merci pour vos réponses

[riete]

Merci pour cette réponse rapide

J'explique plus précisemment mon projet je suis chargé de réaliser une application en intranet qui devra indexé des fichiers .doc et .pdf puis ensuite faire un module de recherche qui devra recherche dans ces documents un moteur de recherche quoi

J'avais penser à convertir les fichiers en html pour pouvoir faire mes recherches plus facilement car avec les .doc c'est pas tout simple :s j'ai deja réussi a convertir des .doc en .html j'aurais donc aimer faire de même avec les pdf ou en txt à la rigueur

Ton problème est très interessant. S'est d'ailleurs un sujet sur lequel je plancherai à plus ou moins brève échéance pour gérer nos document en interne.
A priori, procèderais en 3 étapes:

- 1/ extraction des données texte des documents et stockage dans une table PlainText pour permettre ensuite la recherche avec un moteur de BD (j'expliqe plus loin un piste)

- 2/ Stockage du document sous forme de Blob dans une autre table avec liaison entre la table des BLOB et celle des PlainText.

- 3/ Construction de l'outil de recherche

Pour ce qui est de l'extraction des données text dans les documents PDF, j'y vois une difficulté de poids (mais qui donnera du piment à ton stage, car s'est déjà un sujet en soit ) qui consiste à reconnaitre l'encodage des caractères et ensuite isoler le texte. Je pense que cette difficulté surmontée, le reste n'est que programmation "standard".
Pour la partie extraction regarde du comment est foutu un document PDF simple que tu créés toi même.
Ah... s'est un projet sympa, mais je n'ai pas trop le temps. Bon courage.

Si vous avez besoin de plus d'infos demander moi ^^
Voila si vous avez des idées à me proposer je suis preneur je suis pas très expérimenté en php étant qu'en deuxième année d'informatique je dois réaliser ce projet lors de mon stage en entreprise

Merci pour vos réponses

J'espère que tu seras grassement payé si tu y arrive, car c'est un produit avec lequel certaines entreprises se font leur beurre (si tu vois ce que je veux dire ).

Tiens moi au courant cela m'interesse.

[Srh00]

Je bloque vraiment pour l'extraction des pdf c'est assez chaud pour quelqu'un d'inexpérimenté :s
Si quelqu'un avait quelques pistes ou exemple à me donné cela serait vraiment cool

[riete]

Je t'avoue que je me suis un peu interessé au sujet suite à ton message, car comme je te le disais plus haut, j'aurais surement à faire la même chose.

Et ma conclusion est identique à la tienne "S'est chau bouillant"

pour l'anegdote, j'ai même réussit à planté php (le serveur complet), chose rarissime.

Je pense que le problème principal à gérer est la version des document pdf source.

Bon courage, si je peux encore t'aider s'est avec plaisir.
Si tu avance dépose un bout de ton code et on le regardera.