Як скопіювати текст із PDF, який не копіюється
Опубліковано · Оновлено 1 хв читання
PDF містить справжній текст або лише зображення тексту. Результат видобування залежить від цього першого моменту.
Справжній текст чи зображення тексту
Відкрийте PDF і спробуйте виділити слово. Якщо виділення працює, у документі справжній текст. Якщо ні, його сторінки є зображеннями, як у скані.
Що робить інструмент
PDF у текст напряму читає справжній текст і застосовує розпізнавання символів до сторінок, де його немає. Результатом є текстовий файл із позначкою перед кожною сторінкою: «--- Page 1 [native] ---» для справжнього тексту, «--- Page 1 [ocr] ---» для розпізнаної сторінки. Десять сторінок звіту дають файл на 5 КБ.
Сторінка з двома колонками
Інструмент читає рядки на всю ширину сторінки. Тому рядки двох колонок змішуються: «Colonne de gauche. Le compost de printemps Colonne de droite. Un atelier sur la récupération». Слово, перенесене наприкінці рядка, залишається розірваним: «com», потім «mencé», дефіс зникає. Клітинки таблиці потрапляють в один рядок, розділені пробілами.
Відсканована сторінка
Та сама сторінка, перетворена на зображення, більше не містить справжнього тексту. Розпізнавання триває близько п’яти секунд і знаходить текст, розірване слово та три рядки таблиці з тими самими змішаними колонками. Рушій налаштований на французьку: іншу мову може бути розпізнано гірше, а на результат впливає чіткість скану.
Перечитайте перед використанням
- Перевірте власні назви, числа та діакритичні знаки.
- Зверніть увагу на зміну колонок.
- Щоб зберегти верстку, краще перетворіть PDF на зображення.
- Збережіть початковий PDF.