Convertendo DJVU para PDF

Desejo converter um documento DJVU em um documento PDF, separando e preservando a camada de texto e as imagens , mantendo a estrutura da DJVU. Como posso fazer isso no Ubuntu?

(Eu usarei o Caliber para converter para ePub / Mobi, portanto, se houvesse um plug-in Caliber para todo esse processo, seria perfeito para mim!)

Nota1: Imprimir no Evince, exportar do DJview ou qualquer outra coisa usando o pacote ddjvu , não são soluções adequadas, pois descartam a camada de texto, salvando apenas imagens.

Nota2 : O uso do DJVULibre parece extrair apenas a camada de texto e as imagens não são extraídas . Da mesma forma, copiar o texto "manualmente" perde a estrutura do documento e as figuras.

Método 1

Basta usar o DJView e exportar como PDF

1. Goto Synaptic Package Manager
2. Instale o DJview4
3. Execute o DJview (Aplicativos - Gráficos - DJView4)
4. Abra o seu documento .djvu
5. : Menu - Exportar como: PDF

Método 2

Abra o arquivo djvu no evince
Selecione print ----> print to file
altere .ps para .pdf e clique em print

Método 3

1. Goto Synaptic Package Manager

2. Instalar

   djvulibre-bin libdjvulibre21 okular-extra-backends evince libevdocument3 libevview3

3. Ir para o terminal e escrever

    sudo apt-get install libtiff-tools
   

4. Vá para o diretório em que o arquivo djvu está presente. Clique com o botão direito do mouse. Vá para a opção "Abrir no terminal". Clique nisso. Um terminal será aberto.

5. Nesse terminal, escreva

   ddjvu -format=tiff file_name.djvu file_name.tiff
   tiff2pdf -j -o file_name.pdf file_name.tiff
   

Método 4

Há também um conversor online de DjVu para PDF

Aqui está uma maneira, que exigiria algumas ferramentas não tão comuns:

1. ocrodjvu
2. pdfbeads , que possui requisitos próprios que podem ser encontrados pelo Google

Podemos usar o djvu2hocrcomando (do ocrodjvupacote) para extrair a camada de texto oculta do arquivo DjVu (não faz OCR ou similar, apenas extrai a camada de texto com geometria), ou seja:

djvu2hocr -p 10 sample.djvu | sed 's/ocrx/ocr/g' > pg10.html

sed intervenção corrige nomes de classe na saída hOCR (que é apenas um arquivo HTML simples)

Agora extraímos a página do DjVu para o formato TIFF com:

ddjvu -format=tiff -page=10 sample.djvu pg10.tif

para que terminemos com estes arquivos na pasta de trabalho:

sample.djvu
pg10.html
pg10.tif

É aqui que pdfbeadsentra o jogo, e nós simplesmente executamos:

pdfbeads -o pg10.pdf

esse programa bacana cuida de tudo o que está dentro dessa pasta (arquivos HTML e TIFF com o mesmo nome de base) e produz um arquivo PDF de saída com alguns subprodutos:

sample.djvu
pg10.html
pg10.tif
pg10.jbig2
pg10.pdf
pg10.sym

que é idêntico ao arquivo DjVu de entrada e possui uma camada de texto dentro:

Resumo dos comentários:

Os longos comentários abaixo discutem a representação de imagens menores da página de documento do DjVu como objetos separados, o que não é possível com facilidade porque a página de documento do DjVu é apenas uma imagem com camada de texto opcional, sem "informações" sobre imagens menores como objetos separados. Se o documento DjVu tiver imagens coloridas, elas geralmente serão colocadas na camada de fundo; nesse caso, o usuário pode tirar proveito de ferramentas como ddjvu(extrair apenas a camada de fundo) e imagemagick(cortar automaticamente) para gerar apenas imagens em vez de tela inteira, mas não pode ser automatizado para criar saída em PDF

Outra abordagem mais saudável, porém mais lenta, é o uso de ferramentas regulares da GUI do OCR. gscan2pdf(> 1.0) é sugerido como possível candidato para Linux PC

Existe o djvu2pdf, mas ele depende do ghostscript, portanto pode ser outra opção de impressão. Eu ainda sugiro que você dê uma olhada, caso seja mais inteligente do que eu estou dando crédito.

Não está nos repositórios, mas você pode fazer o download de uma deb no site dos fabricantes: http://0x2a.at/s/projects/djvu2pdf

** Insira aqui um aviso obrigatório sobre o download / instalação de itens externos aos repositórios **

Usando o DJVULibre , é possível extrair a camada de texto através do terminalcomando:

djvutxt myfile.djvu > myfile-ocr.txt ou djvused myfile.djvu -e 'print-pure-txt' > myfile.txt

(ambos fazem a mesma coisa e foram encontrados aqui )

A formatação requer algum esforço (já que muitos símbolos não são convertidos corretamente) e as imagens não são recuperadas .

http://www.djvu-pdf.com/ - Usando este site, você pode converter djvu para pdf.

A maneira mais fácil: use o gscan2pdf para importar o djvu, depois faça o OCR com o tesseract e, finalmente, salve-o como um pdf. O texto do OCR no pdf pode ser um pouco diferente do djvu original, e a conversão pode demorar um pouco, mas esse método é fácil e funciona.

Eu fiz um roteiro da resposta de @ zetah.

Está disponível aqui: https://gist.github.com/matthieuheitz/7287e214b1aeda7948f6c27fbfb5288b