Ver la versión completa : Unir palabras partidas en word
VICTORSJ
19/10/2011, 12:12
Alguien sabe como unir las palabras que estan partidas en word con un guión y que aparecen en diferentes líneas, a consecuencia de convertir un pdf que tenía así las palabras a word. Lo de eliminar los guiones lo he conseguido pero el problema es que las palabras siguen partidas en dos líneas diferentes y hay que pasar la corrección automática para solucionar y en algunos casos puede que algún trozo de la palabra partida sea una palabra real y el corrector no lo idendifique como que esta partida.
saludos
Alguien sabe como unir las palabras que estan partidas en word con un guión y que aparecen en diferentes líneas, a consecuencia de convertir un pdf que tenía así las palabras a word. Lo de eliminar los guiones lo he conseguido pero el problema es que las palabras siguen partidas en dos líneas diferentes y hay que pasar la corrección automática para solucionar y en algunos casos puede que algún trozo de la palabra partida sea una palabra real y el corrector no lo idendifique como que esta partida.
saludos
Bueno, tienes que ver cómo aparecen los guiones. Pueden aparecer "a-sí", o "a -sí", o "a- sí" o
"a-
sí".
En cada caso has de usar la herramienta reemplazar de word de diferente manera.
"a-sí": reemplaza "-" por nada.
"a -sí": reemplaza " -" por nada.
"a- sí" : reemplaza "- " por nada.
"a-
sí": reemplaza "-^p" por nada.
etc.
Cuando se hace una extracción de contenido de un PDF... SIEMPRE hay que hacerle una revisión / correción. Vamos que hay que LEERSE EL CONTENIDO e ir re-editando los muchos fallos que, seguro seguro, va a haber. De lo contrario obtienes un churro, no importa lo rimbombante y maravilloso que sea el menú del programa conversor.... Los formatos "finalistas" no estan preparados para "entregar" su contenido. Todo lo contrario, maniobran para que las cosas se queden como están.
Lo de las palabras partidas...
Pues sí señor, no te queda otra que pasar el revisor ortografico. Y al acabar hacer una busqueda de la cadena "- " (guion espacio) para revisar todos los casos que no pudo detectar el corrector.
Ten en cuenta que la mayoria de los extratores de PDF suelen convertir en guion normal "-" tanto a los guiones virtuales (los encargados de señalar las palabras partidas) como a los guiones largos (los encargados de señalar los dialogos y los incisos).Y es por ello que las técnicas de buscar/reemplazar en masa pueden acabar haciendo más daño que bien.
si [1º] tienes ciertas habilidades de programador y [2º] si es una tarea que vas a hacer muchas veces, entonces puedes exportar el PDF en un RTF y mirar en las librerias del compilador que suelas usar que rutinas dispone para manejar contenido RTF, y hacerte un par de programillas que te resuelvan tus problemas mas habituales al respecto: palabras partidas, lineas vacias, codigo idiomatico redundante, residuos de paginaciones, errores ortograficos habituales pero no detectables por correctores (como el pronombe "él"), etc..
Tambien puedes hacer lo que la mayoría de la gente... no agobiarte al respecto, y despacharte tan a gusto con lo que quiera que haya salido del PDF.
También puedes buscar: -^p que te ayuda a encontrar palabras que erroneamente han quedado partidas después del reconocimiento del OCR.
VICTORSJ
20/10/2011, 00:45
Gracias por las contestaciones, para el tema de los guiones con vuestros consejos lo he solucionado. Ahora tengo el problema de aquellas palabras que se han quedado partidas con un espacio y que con el corrector aparecen como errores, teneís algún método para esto, ya sea mediante expresiones regulares u otros.
saludos
No. una palabra separada en dos por un espacio no hay manera de corregirla de manera automática. Habrás de pasar el corrector y, aún así, no te las cantará todas. Palabras como contraste se separan en con traste sin que el corrector las detecte. Para arreglar estas cosas hay que corregir por lectura. Bienvenido al club ;)
surquizu
20/10/2011, 15:47
Gracias por las contestaciones, para el tema de los guiones con vuestros consejos lo he solucionado. Ahora tengo el problema de aquellas palabras que se han quedado partidas con un espacio y que con el corrector aparecen como errores, teneís algún método para esto, ya sea mediante expresiones regulares u otros.
saludos
A mi me extraña que te aparezcan palabras partidas con un espacio después del OCR. Yo no recuerdo que me haya pasado nunca, por lo que supongo que puede ser un error tuyo de los reemplazamientos previos de los guiones. Recuerda que si sustituyes un guión+espacio o guión+salto de parrafo, que son las situaciónes mas habituales de palabras partidas, debes hacerlo por NADA, de esta manera la palabra se une.
¿No estarás eliminando el guión y dejando el espacio en blanco?
VICTORSJ
20/10/2011, 17:37
Sergi, las palabras con espacio me aparecen en el doc que general el solid converter a partir del pdf, sin haber hecho ninguna modificación en el archivo.
saludos
Has probado con el Abby FineReader? Es el que mejor trabajo hace. Que yo sepa.
VICTORSJ
20/10/2011, 18:25
Has probado con el Abby FineReader? Es el que mejor trabajo hace. Que yo sepa.
Tengo un portable y lo he probado pero me aparece french.atm not found y aunque empieza hacer el renocimiento de las páginas luego no crea nada al decir que no hay páginas.
saludos
Para solucionar las palabras partidas puedes usar varios trucos que simplifican el trabajo. Desgraciadamente no hay forma de hacerlo automaticamente.
Lo primero de todo es cargar el texto en el WORD y ejecutar estas sustituciones (Espacio es el caracter espacio en blanco):
- "EspacioEspacio" sustituir por "Espacio" Repetir hasta que diga que ha hecho 0 sustituciones. Esto sirve para eliminar los dobles espacios en blanco.
- "Espacio^p" sustituir por "^p" - Elimina los espacios al final de un parrafo.
- "^pEspacio" sustituir por "^p" - Elimina los espacios al principio de un parrafo.
- "-^p" sustituir por "NADA" - Junta las palabras sepadas por un guion.
Despues debes probar:
- "^$^p" Esto te localizará todas las lineas terminadas en una letra. Debes localizarlas una a una y normalmente el error sera una de estas tres cosas:
- Es un titulo. Por tanto no hay error. Marcalo con el estilo titulo y listo.
- Es un salto de parrafo, pero se ha perdido el punto final. Se lo pones.
- Se ha generado un salto de parrafo de mentira, que puede estar partiendo una palabra o no. Simplemente quita el salto de parrafo.
Nota:
Algunos OCR generan un salto de linea al final de cada linea. La forma mas facil de quitarlos es hacer esta sustitucion:
- "EspacioEspacio" sustituir por "Espacio" Repetir hasta que diga que ha hecho 0 sustituciones. Esto sirve para eliminar los dobles espacios en blanco.
- "Espacio^l" sustituir por "^l" - Elimina los espacios al final de un parrafo.
- "^lEspacio" sustituir por "^l" - Elimina los espacios al principio de un parrafo.
- "-^l" sustituir por "NADA" - Junta las palabras sepadas por un guion.
- "-^l" sustituir por "Espacio" - Elimina el salto de linea y pone un espacio en su lugar.
Si te queda alguna duda, no tienes mas que preguntar.
bruja410
18/03/2012, 23:05
Tomo nota Silicon, me va a ser muy útil. Gracias.
Funcionando con vBulletin® Version 4.2.5 Copyright © 2026 vBulletin Solutions, Inc. All rights reserved.