Естественно, у меня возникло сомнение в целостности файла после повторной загрузки:
Ты утверждаешь:
"Если вам нужно, чтобы я поработал именно с оригинальным PDF (например, извлёк что-то ещё или пересобрал текст точнее) — проще всего загрузить файл в чат ещё раз; тогда он попадёт мне в рабочую папку как настоящий бинарник, а не только как повреждённая текстовая версия"
А где гарантия, что опять не случится создание поврежденной текстовой версии, как в первый раз?
Ничтоже сумняшеся ИИ выдал ответ:
Гарантии нет — это будет зависеть от того же самого конвертера на стороне платформы, а не от меня. Когда файл прикрепляется к чату, текстовая версия PDF генерируется автоматически, до того как я его вообще вижу; я не выбираю этот пайплайн и не могу его отключить или заменить на другой. Если у PDF та же проблема со шрифтом (нет корректной таблицы соответствия глифов → Unicode), конвертер с высокой вероятностью снова выдаст такую же «дырявую» кириллицу — это свойство конкретного файла, а не случайность.
Что при этом важно: в прошлый раз сломалась не сама передача файла мне, а то, что бинарник PDF вообще не попал в мою рабочую папку — я получил только испорченный .txt. Обычно вместе с текстовой версией должен приходить и сам файл as is, и тогда я мог бы просто читать его напрямую (в обход конвертера) или прогнать через собственный OCR. Так что нет гарантии, что текст не будет повреждён — но если оригинал реально долетит до меня как файл (а не только как авто-извлечённый текст), я смогу это обойти сам, не полагаясь на встроенный конвертер.
Честно говоря, у нас уже есть более надёжный путь для этого конкретного документа: вчера я вытащил точный текст библиографии прямо с исходной страницы на warlib.site через браузер — так я получил абсолютно надёжный, нечиповатый текст, без зависимости от конвертера вообще. Если нужно ещё что-то из этой диссертации (например, текст самих глав, а не только список литературы), проще и надёжнее сделать то же самое: я снова открою PDF на warlib.site постранично и прочитаю нужные фрагменты визуально — так результат гарантированно не будет испорчен. Так что вопрос в том, что конкретно вам нужно извлечь дальше — тогда решим, каким путём это делать.
Занавес! Зрители аплодируют, аплодируют... Кончили аплодировать