複製無法複製的 PDF 中的文字
發布於 · 更新於 閱讀約 1 分鐘
PDF 裡要麼是真正的文字，要麼只有文字的影像。擷取的結果取決於這第一點。
真正的文字還是文字的影像
開啟 PDF，試著選中一個詞。如果能選中，文件裡就是真正的文字；否則它的頁面是影像，和掃描件一樣。
工具做什麼
PDF 轉文字會直接讀取真正的文字，並對沒有文字的頁面進行字元識別。結果是一個文字檔，每頁前面有一個標記：真正的文字是“--- Page 1 [native] ---”，識別出來的頁面是“--- Page 1 [ocr] ---”。報告的十頁得到一個 5 KB 的檔案。
兩欄頁面
工具會按整頁寬度讀取每一行，所以兩欄的行會混在一起：“Colonne de gauche. Le compost de printemps Colonne de droite. Un atelier sur la récupération”。行尾被拆開的單詞仍然是拆開的：“com”然後是“mencé”，連字元消失了。表格的儲存格會排在同一行，用空格隔開。
掃描頁面
同一頁轉成圖片後，就不再有真正的文字。識別大約用了五秒，找回了文字、被拆開的單詞和表格的三行，同樣存在欄混在一起的問題。識別引擎針對法語設定：其他語言可能識別得較差，掃描件的清晰度也會影響結果。
使用前請重讀
- 檢查人名、數字和重音符號。
- 留意欄的變化。
- 想保留版式，請改為把 PDF 轉換成圖片。
- 保留原始 PDF。