Jak skopiować tekst z pliku PDF, którego nie da się skopiować
Opublikowano · Zaktualizowano 2 min czytania
Chce się wziąć tekst z pliku PDF, a zaznaczanie myszką nie działa albo daje litery w nieładzie. Wszystko zależy od tego, co dokument naprawdę zawiera: tekst czy tylko obrazy tekstu. Ekstrakcja nie daje w obu przypadkach tego samego.
Prawdziwy tekst czy obraz tekstu
Otwórz plik PDF i spróbuj zaznaczyć słowo. Jeśli zaznaczanie działa, dokument zawiera prawdziwy tekst. Jeśli nie, jego strony są obrazami, jak strony skanu: dla komputera to zdjęcie, a nie litery.
Co robi narzędzie
PDF do tekstu odczytuje bezpośrednio prawdziwy tekst i stosuje rozpoznawanie znaków na stronach, które go nie mają, czyli „czyta” obraz, aby znaleźć litery. Wynikiem jest plik tekstowy ze znacznikiem przed każdą stroną: „--- Page 1 [native] ---” dla prawdziwego tekstu, „--- Page 1 [ocr] ---” dla strony rozpoznanej. Dla raportu na dziesięć stron plik ma około 5 KB.
Strona dwukolumnowa
Narzędzie czyta wiersze na całej szerokości strony. Wiersze dwóch kolumn mieszają się więc: lewa i prawa następują po sobie wiersz po wierszu. Słowo przeniesione na koniec wiersza pozostaje rozdzielone, na przykład „com”, a potem „menced”, a łącznik znika. Komórki tabeli trafiają do jednego wiersza, oddzielone spacjami.
Zeskanowana strona
Strona zamieniona w obraz nie ma już prawdziwego tekstu. Rozpoznawanie trwa kilka sekund na stronę i odnajduje tekst, rozdzielone słowo i wiersze tabeli, z tymi samymi pomieszanymi kolumnami. Silnik jest ustawiony na francuski: inny język może być rozpoznawany gorzej, a ostrość skanu bardzo wpływa na wynik.
Przeczytaj ponownie przed użyciem
- Sprawdź imiona i nazwiska, liczby i akcenty.
- Wskaż miejsca zmiany kolumn.
- Aby zachować układ, zamień plik PDF na obrazy.
- Zachowaj oryginalny plik PDF.
Dla jakich dokumentów
Zeskanowana umowa, faktura otrzymana jako obraz, artykuł, w którym zaznaczanie nie działa, lub raport, z którego chce się wziąć kilka akapitów: ekstrakcja daje plik tekstowy do skopiowania gdzie indziej.
Najczęściej zadawane pytania
- Jak poznać, czy mój plik PDF zawiera prawdziwy tekst?
- Spróbuj zaznaczyć słowo. Jeśli zaznaczanie działa, tekst jest prawdziwy. Jeśli nie, strony są obrazami, jak strony skanu.
- Czy narzędzie potrafi odczytać zeskanowany plik PDF?
- Tak, stosuje rozpoznawanie znaków na stronach bez tekstu. Silnik jest ustawiony na francuski, a ostrość skanu bardzo się liczy.
- Dlaczego dwie kolumny się mieszają?
- Narzędzie czyta wiersze na całej szerokości strony, więc kolumny się mieszają. Aby zachować układ, zamień plik PDF na obrazy.
- Co oznaczają „[native]” i „[ocr]” w wyniku?
- „[native]” oznacza prawdziwy tekst, „[ocr]” stronę rozpoznaną z obrazu. Druga wymaga staranniejszego przeczytania.