Transformations pour l'exploitation d'un corpus textuel¶

TXT ne permet pas de rendre compte de différentes parties telles que les structures ou sections thématiques du fichier source (word ou rtf). XML en revanche peut être utilisé dans ce sens. On peut obtenir une transformation Word vers XML, avec l'utilisation d'un stylage, à voir !!!

Un premier processus de transformation des PDFs texte vers des fichiers exploitables pour TXM est le suivant :

• a) enregistrer le PDF vers un format ODT (quand c'est possible)
  • soit en copiant le texte depuis Adobe Reader ou Aperçu (de Macintosh, que je recommande car encodage des caractères semble mieux respecter),
• b) enregistrer le PDF vers un format TXT (moins bien car ne conserve plus les structures)
  • soit en passant par le menu de Adobe Reader (Enregistrer au format texte)
  • soit en passant par le fichier au format ODT, enregistrer sous (.txt)

Conclusion : à préférer une sortie word ou rtf pour garder la structure a minima des tableaux, etc… 

Le détail des transformations :¶

ID	Nom fichier source (.pdf)	version .odt	version .txt	Remarques
t0001	PEDT_Amfreville_La_mivoie.pdf	ok	ok
t0009	PEDT_Brest.pdf	ok	ok
t0012	PEDT_CC_Haute-Combraille.pdf	ok	ok
t0013	PEDT_CC_Astarac_Arros_en_Gascog.pdf	ok	ok
t0014	PEDT_CC_Piège.doc	ok	ok
t0016	PEDT_CC_Mugron.pdf	ok	ok
t0018	PEDT_CC-Haute-Combraille_DOUBLE.pdf	ok	ok
t0023	PEDT_Coutouvre.pdf	ok	ok
t0024	PEDT_Cyvrieux.doc	ok	ok
t0027	PEDT_Dax.pdf	ok	ok
t0028	PEDT_Ecuillé.pdf	ok	ok
t0030	PEDT_Eragny.pdf	ok	ok
t0031	PEDT_Faucognet.pdf	ok	ok
t0034	PEDT_Frontignan.pdf	ok	ok
t0032	PEDT_Fercé sur Sarthe.pdf	ok	ok	fait le 15/10/2015 avec Aperçu + Openoffice
t0033	PEDT_Foix.pdf	ok	ok	fait le 15/10/2015 avec Aperçu + Openoffice

Du Odt vers Txt¶

Après avoir copier le texte (de Adobe ou Aperçu), ouvrir OpenOffice ou LibreOffice ou Word pour coller le texte.

Depuis OpenOffice, on peut enregistrer au format texte brut (codé) et bien choisir l'encodage "UTF-8'