Как скопировать текст из PDF, который не копируется
Опубликовано · Обновлено 2 мин чтения
Вы хотите взять текст из PDF, а выделение мышью не работает или даёт буквы вперемешку. Всё зависит от того, что на самом деле содержит документ: текст или только изображения текста. Извлечение в этих двух случаях даёт не одно и то же.
Настоящий текст или изображение текста
Откройте PDF и попробуйте выделить слово. Если выделение работает, документ содержит настоящий текст. Если нет, его страницы это изображения, как у скана: для компьютера это фотография, а не буквы.
Что делает инструмент
«PDF в текст» читает настоящий текст напрямую и применяет распознавание символов к страницам, где его нет, то есть «читает» изображение, чтобы найти буквы. Результат это текстовый файл с меткой перед каждой страницей: «--- Page 1 [native] ---» для настоящего текста, «--- Page 1 [ocr] ---» для распознанной страницы. Для отчёта на десять страниц файл занимает около 5 КБ.
Страница с двумя колонками
Инструмент читает строки по всей ширине страницы. Строки двух колонок поэтому перемешиваются: левая и правая следуют друг за другом строка за строкой. Слово, перенесённое в конце строки, остаётся разорванным, например «com», затем «menced», а дефис пропадает. Ячейки таблицы попадают в одну строку, разделённые пробелами.
Отсканированная страница
У страницы, превращённой в изображение, настоящего текста уже нет. Распознавание занимает несколько секунд на страницу и находит текст, разорванное слово и строки таблицы, с теми же перемешанными колонками. Движок настроен на французский: другой язык может распознаваться хуже, а чёткость скана сильно влияет на результат.
Перечитайте перед использованием
- Проверьте имена собственные, числа и диакритику.
- Отметьте места смены колонок.
- Чтобы сохранить вёрстку, преобразуйте PDF в изображения.
- Сохраните исходный PDF.
Для каких документов
Отсканированный договор, счёт, полученный как изображение, статья, где выделение не работает, или отчёт, из которого вы хотите взять несколько абзацев: извлечение даёт текстовый файл, который можно скопировать в другое место.
Часто задаваемые вопросы
- Как узнать, содержит ли мой PDF настоящий текст?
- Попробуйте выделить слово. Если выделение работает, текст настоящий. Если нет, страницы это изображения, как у скана.
- Может ли инструмент прочитать отсканированный PDF?
- Да, он применяет распознавание символов к страницам без текста. Движок настроен на французский, а чёткость скана очень важна.
- Почему две колонки перемешиваются?
- Инструмент читает строки по всей ширине страницы, поэтому колонки перемешиваются. Чтобы сохранить вёрстку, преобразуйте PDF в изображения.
- Что означают «[native]» и «[ocr]» в результате?
- «[native]» указывает на настоящий текст, «[ocr]» на страницу, распознанную по изображению. Вторую нужно перечитывать внимательнее.