Tekstin kopioiminen PDF-tiedostosta, jota ei voi kopioida
Julkaistu · Päivitetty 1 min lukuaika
PDF sisältää todellista tekstiä tai pelkkiä tekstin kuvia. Poiminnan tulos riippuu tästä ensimmäisestä seikasta.
Todellinen teksti vai tekstin kuva
Avaa PDF ja yritä valita sana. Jos valinta toimii, asiakirja sisältää todellista tekstiä. Muuten sen sivut ovat kuvia, kuten skannauksessa.
Mitä työkalu tekee
PDF tekstiksi lukee todellisen tekstin suoraan ja soveltaa merkkientunnistusta sivuihin, joilla sitä ei ole. Tuloksena on tekstitiedosto, jossa on merkintä ennen jokaista sivua: ”--- Page 1 [native] ---” todelliselle tekstille, ”--- Page 1 [ocr] ---” tunnistetulle sivulle. Raportin kymmenen sivua antavat 5 kt:n tiedoston.
Kaksisarakkeinen sivu
Työkalu lukee rivit sivun koko leveydeltä. Kahden sarakkeen rivit sekoittuvat siksi keskenään: ”Colonne de gauche. Le compost de printemps Colonne de droite. Un atelier sur la récupération”. Rivin lopussa katkennut sana pysyy katkenneena: ”com” ja sitten ”mencé”, tavuviiva katoaa. Taulukon solut tulevat yhdelle riville, välilyönneillä erotettuina.
Skannattu sivu
Sama sivu kuvaksi muunnettuna ei enää sisällä todellista tekstiä. Tunnistus kestää noin viisi sekuntia ja löytää tekstin, katkenneen sanan ja taulukon kolme riviä, samoin sekoittunein sarakkein. Moottori on asetettu ranskalle: toinen kieli voidaan tunnistaa huonommin, ja skannauksen terävyys vaikuttaa tulokseen.
Lue uudelleen ennen käyttöä
- Tarkista erisnimet, numerot ja diakriittiset merkit.
- Kiinnitä huomiota sarakkeiden vaihtumiseen.
- Jos haluat säilyttää ulkoasun, muunna PDF mieluummin kuviksi.
- Säilytä alkuperäinen PDF.