De tekst van een pdf kopiëren die zich niet laat kopiëren
Gepubliceerd op · Bijgewerkt op 2 min leestijd
U wilt de tekst uit een pdf halen en selecteren met de muis werkt niet, of geeft letters door elkaar. Alles hangt af van wat het document echt bevat: tekst, of alleen afbeeldingen van tekst. De extractie geeft in beide gevallen niet hetzelfde.
Echte tekst of afbeelding van tekst
Open de pdf en probeer een woord te selecteren. Als selecteren werkt, bevat het document echte tekst. Zo niet, dan zijn de pagina's afbeeldingen, zoals die van een scan: voor de computer is het een foto, geen letters.
Wat het hulpmiddel doet
Pdf naar tekst leest de echte tekst rechtstreeks en past tekenherkenning toe op pagina's die er geen hebben, dat wil zeggen dat het de afbeelding "leest" om de letters te vinden. Het resultaat is een tekstbestand met een markering vóór elke pagina: "--- Page 1 [native] ---" voor echte tekst, "--- Page 1 [ocr] ---" voor een herkende pagina. Voor een verslag van tien pagina's is het bestand ongeveer 5 KB.
Een pagina met twee kolommen
Het hulpmiddel leest de regels over de hele breedte van de pagina. De regels van twee kolommen raken dus door elkaar: links en rechts volgen elkaar regel na regel op. Een woord dat aan het einde van een regel is afgebroken blijft afgebroken, bijvoorbeeld "com" en dan "menced", en het afbreekstreepje verdwijnt. De cellen van een tabel komen op één regel aan, gescheiden door spaties.
Een gescande pagina
Een pagina die in een afbeelding is veranderd heeft geen echte tekst meer. De herkenning duurt een paar seconden per pagina en vindt de tekst, het afgebroken woord en de regels van een tabel terug, met dezelfde door elkaar geraakte kolommen. De engine is ingesteld op het Frans: een andere taal wordt mogelijk minder goed herkend, en de scherpte van de scan telt zwaar mee in het resultaat.
Herlezen voordat u het gebruikt
- Controleer eigennamen, getallen en accenten.
- Zoek de kolomwisselingen op.
- Om de opmaak te behouden, zet u de pdf in plaats daarvan om in afbeeldingen.
- Bewaar de oorspronkelijke pdf.
Voor welke documenten
Een gescand contract, een factuur die u als afbeelding hebt ontvangen, een artikel waarin selecteren niet werkt of een verslag waaruit u een paar alinea's wilt halen: de extractie geeft een tekstbestand om elders te kopiëren.
Veelgestelde vragen
- Hoe weet u of mijn pdf echte tekst bevat?
- Probeer een woord te selecteren. Als selecteren werkt, is de tekst echt. Zo niet, dan zijn de pagina's afbeeldingen, zoals die van een scan.
- Kan het hulpmiddel een gescande pdf lezen?
- Ja, het past tekenherkenning toe op pagina's zonder tekst. De engine is ingesteld op het Frans, en de scherpte van de scan telt zwaar mee.
- Waarom raken de twee kolommen door elkaar?
- Het hulpmiddel leest de regels over de hele breedte van de pagina, waardoor de kolommen door elkaar raken. Om de opmaak te behouden, zet u de pdf in plaats daarvan om in afbeeldingen.
- Wat betekenen "[native]" en "[ocr]" in het resultaat?
- "[native]" geeft echte tekst aan, "[ocr]" een pagina die uit een afbeelding is herkend. De tweede vraagt een zorgvuldiger herlezing.