Menyalin teks daripada PDF yang tidak boleh disalin
Diterbitkan pada · Dikemas kini pada 1 minit bacaan
Sesuatu PDF mengandungi teks sebenar atau hanya gambar teks. Hasil pengekstrakan bergantung pada perkara pertama ini.
Teks sebenar atau gambar teks
Buka PDF dan cuba pilih satu perkataan. Jika pemilihan berjaya, dokumen mengandungi teks sebenar. Jika tidak, halamannya ialah gambar, seperti pada imbasan.
Apa yang dilakukan oleh alat
PDF ke teks membaca teks sebenar secara langsung dan menggunakan pengecaman aksara pada halaman yang tiada teks. Hasilnya ialah fail teks dengan penanda sebelum setiap halaman: “--- Page 1 [native] ---” untuk teks sebenar, “--- Page 1 [ocr] ---” untuk halaman yang dikenali. Sepuluh halaman laporan menghasilkan fail 5 KB.
Halaman dua lajur
Alat ini membaca baris merentasi seluruh lebar halaman. Baris daripada dua lajur oleh itu bercampur: “Colonne de gauche. Le compost de printemps Colonne de droite. Un atelier sur la récupération”. Perkataan yang terpotong di hujung baris kekal terpotong: “com” kemudian “mencé”, tanda sempang hilang. Sel jadual tiba pada satu baris, dipisahkan oleh ruang.
Halaman imbasan
Halaman yang sama yang ditukar kepada gambar tidak lagi mempunyai teks sebenar. Pengecaman mengambil masa kira-kira lima saat dan menemui semula teks, perkataan yang terpotong dan tiga baris jadual, dengan lajur yang masih bercampur. Enjinnya ditetapkan untuk bahasa Perancis: bahasa lain mungkin dikenali kurang baik, dan ketajaman imbasan mempengaruhi hasilnya.
Baca semula sebelum menggunakan
- Semak nama khas, nombor dan aksen.
- Perhatikan tempat lajur bertukar.
- Untuk mengekalkan susun atur, tukar PDF kepada gambar.
- Simpan PDF asal.