Copiar o texto dun PDF que non deixa copiar
Publicada o · Actualizada o 1 min de lectura
Un PDF contén texto real ou só imaxes de texto. O resultado da extracción depende deste primeiro punto.
Texto real ou imaxe de texto
Abra o PDF e probe a seleccionar unha palabra. Se a selección funciona, o documento contén texto real. Se non, as súas páxinas son imaxes, como as dunha dixitalización.
Que fai a ferramenta
PDF a texto le directamente o texto real e aplica o recoñecemento de caracteres ás páxinas que non o teñen. O resultado é un ficheiro de texto cunha marca antes de cada páxina: «--- Page 1 [native] ---» para texto real, «--- Page 1 [ocr] ---» para unha páxina recoñecida. As dez páxinas do informe dan un ficheiro de 5 KB.
Unha páxina de dúas columnas
A ferramenta le as liñas en todo o ancho da páxina. As liñas de dúas columnas mestúranse, pois: «Colonne de gauche. Le compost de printemps Colonne de droite. Un atelier sur la récupération». Unha palabra cortada ao final de liña segue cortada: «com» e despois «mencé», o guión desaparece. As celas dunha táboa chegan nunha soa liña, separadas por espazos.
Unha páxina dixitalizada
A mesma páxina convertida en imaxe xa non ten texto real. O recoñecemento tarda uns cinco segundos e atopa de novo o texto, a palabra cortada e as tres liñas da táboa, coas mesmas columnas mesturadas. O motor está configurado para o francés: outra lingua pode recoñecerse peor, e a nitidez da dixitalización afecta o resultado.
Reler antes de empregar
- Comprobe os nomes propios, os números e os acentos.
- Localice os cambios de columna.
- Para conservar a maquetación, converta no seu lugar o PDF en imaxes.
- Conserve o PDF orixinal.