PDFファイルの文字誤変換 #PDF

Autosar単語帳(作業中)
https://qiita.com/kaizen_nagoya/items/0927727a94b157df2df8

macOS/bash

$ docker run -v /Users/administrator/Downloads/autosar:/tmp/docker -it kaizenjapan/autosar /bin/bash

pdfフォルダのファイルをpdftotextでtextファイルに変換した。

ptt.sh

#!/bin/bash
# https://news.mynavi.jp/article/bashonwindows-17/
# https://qiita.com/kaizen_nagoya/items/319672853519990cee42

 cd ../pdf
 for File in *; do
    case ${File##*.} in
        pdf|PDF )
            echo "Convert the PDF:" ${File}
            pdftotext -q ${File} ../text/${File}.txt ;;
        *) ;;
    esac
 done

awkで用語頻度一覧を作って、Autosar固有の用語と、変数名などで複合語になっているものを調べている。

英語(38) 　複合語と複数の単語の一分類　
https://qiita.com/kaizen_nagoya/items/219fd0bde3731f0881ed#_reference-a74f084e44dee324ea1e

Autosar 単語検索　略号等
https://qiita.com/kaizen_nagoya/items/f8cb1295104b7d58363d#_reference-199074ba6a5ea96f1fe7

dWithinという用語が 103個あった。

# cd text
# grep -i dwithin *
...
AUTOSAR_TPS_GenericStructureTemplate.pdf.txt:[constr_2627] No reassigning of the same name within one LET Block dWithin
AUTOSAR_TPS_GenericStructureTemplate.pdf.txt:[constr_2577] Binding Time in Aggregation Pattern dWithin VariationPoint,
AUTOSAR_TPS_GenericStructureTemplate.pdf.txt:[constr_2578] Binding Time in Association Pattern dWithin VariationPoint,
AUTOSAR_TPS_GenericStructureTemplate.pdf.txt:[constr_2585] LifeCycleInfo shall be unambiguous dWithin one particular
...

AUTOSAR_TPS_GenericStructureTemplate.pdf ファイルを開いて Withinで検索すると、

[constr_2585] LifeCycleInfo shall be unambiguous 「Within one particular LifeCycleInfoSet lifeCycleInfo.lcObject shall be unique. This ensures that the association of a LifeCycleState to a Referrable is unambiguous.
This contraint applies for a particular point in time under consideration of the period of viability according to [TPS_GST_00244].」()

「が dに、」がcに変換されていた。

dthe, dthisも同様。