Debian -- Error
は依存ファイルが多い。フォントも入っている。しかし、エラーはcmapというのが関係しているようだ。（参考：pdftotextで PDFからのテキスト抜き出し - reservoirのブログ）
ということは、やはりxpdf-japaneseが依存していて、いかにもそれっぽい名前の
Debian -- Error
を入れれば良いのでは、と思い直した。いずれにせよこの二つはnon-freeと書いてあるので、どうやらapt-getでは取れないようだ。
ということで後者をダウンロードしてきて、aptitudeでインストール*1。
degas@debian:~$ sudo dpkg -i cmap-adobe-japan1_0+20040605-3_all.deb 未選択パッケージ cmap-adobe-japan1 を選択しています。 (データベースを読み込んでいます ... 現在 46580 個のファイルとディレクトリがインストールされています。) (cmap-adobe-japan1_0+20040605-3_all.deb から) cmap-adobe-japan1 を展開しています... cmap-adobe-japan1 (0+20040605-3) を設定しています ...
しかしこの後もまだ同じく
Error: Unknown character collection 'Adobe-Japan1'
が出る。
どこにこのcmapが有るのか分からないのが問題なのだろう。では設定が載っていると思われる辺りを調査。
degas@debian:/etc/xpdf$ ls -alF 合計 52 drwxr-xr-x 2 root root 4096 2008-10-02 16:24 ./ drwxr-xr-x 75 root root 4096 2008-10-02 16:00 ../ -rw-r--r-- 1 root root 398 2008-07-29 21:59 includes -rw-r--r-- 1 root root 3324 2007-08-04 02:02 xpdfrc -rw-r--r-- 1 root root 151 2007-08-04 01:22 xpdfrc-arabic -rw-r--r-- 1 root root 231 2007-08-04 01:22 xpdfrc-cyrillic -rw-r--r-- 1 root root 222 2007-08-04 01:22 xpdfrc-greek -rw-r--r-- 1 root root 222 2007-08-04 01:22 xpdfrc-hebrew -rw-r--r-- 1 root root 5652 2004-08-18 22:58 xpdfrc-japanese.dpkg-new -rw-r--r-- 1 root root 143 2007-08-04 01:22 xpdfrc-latin2 -rw-r--r-- 1 root root 196 2007-08-04 01:22 xpdfrc-thai -rw-r--r-- 1 root root 154 2007-08-04 01:22 xpdfrc-turkish
/etc/xpdf/xpdfrcを読みに行くようなのだが、Adobe-Japan1のありかが書かれているのは/etc/xpdf/xpdfrc-japanese.dpkg-new。
degas@debian:/etc/xpdf$ cat xpdfrc #======================================================================== # # System-wide xpdfrc file # # The Xpdf tools look for a config file in two places: # 1. ~/.xpdfrc # 2. /etc/xpdf/xpdfrc # # Note that if ~/.xpdfrc exists, Xpdf will NOT read the system # configuration file /etc/xpdf/xpdfrc. You may wish to include it # from your ~/.xpdfrc using: # include /etc/xpdf/xpdfrc # and then add additional settings. # # For complete details on config file syntax and available options, # please see the xpdfrc(5) man page. # # http://www.foolabs.com/xpdf/ # #======================================================================== #----- display fonts # These map the Base-14 fonts to the Type 1 fonts that ship with # ghostscript (gsfonts package). displayFontT1 Times-Roman /usr/share/fonts/type1/gsfonts/n021003l.pfb （以下略）
degas@debian:/etc/xpdf$ more xpdfrc-japanese.dpkg-new #----- begin Japanese support package (2004-jul-27) cidToUnicode Adobe-Japan1 /usr/share/xpdf/japanese/Adobe-Japan1.cidToUnicode unicodeMap ISO-2022-JP /usr/share/xpdf/japanese/ISO-2022-JP.unicodeMap unicodeMap EUC-JP /usr/share/xpdf/japanese/EUC-JP.unicodeMap unicodeMap Shift-JIS /usr/share/xpdf/japanese/Shift-JIS.unicodeMap cMapDir Adobe-Japan1 /usr/share/fonts/cmap/adobe-japan1 toUnicodeDir /usr/share/fonts/cmap/adobe-japan1 （以下略）
ということで、/etc/xpdf/xpdfrcに追加。~/.xpdfrcに/etc/xpdf/xpdfrcを含める際の書式を参考。
include /etc/xpdf/xpdfrc-japanese.dpkg-new
これでpdftotextが動くようになった。ので/usr/bin/estfxpdftohtmlもちゃんと日本語が読めるようになるはず。
