Kopiera text ur en PDF som inte går att kopiera
Publicerad · Uppdaterad 1 min läsning
En PDF innehåller verklig text eller bara bilder av text. Resultatet av extraktionen beror på den första punkten.
Verklig text eller textbild
Öppna PDF-filen och försök markera ett ord. Om markeringen fungerar innehåller dokumentet verklig text. Annars är dess sidor bilder, som i en skanning.
Vad verktyget gör
PDF till text läser den verkliga texten direkt och använder teckenigenkänning på sidor som saknar den. Resultatet är en textfil med en markering före varje sida: ”--- Page 1 [native] ---” för verklig text, ”--- Page 1 [ocr] ---” för en igenkänd sida. Rapportens tio sidor ger en fil på 5 kB.
En sida med två kolumner
Verktyget läser raderna över sidans hela bredd. Rader från två kolumner blandas därför ihop: ”Colonne de gauche. Le compost de printemps Colonne de droite. Un atelier sur la récupération”. Ett ord som är avstavat vid radslut förblir delat: ”com” och sedan ”mencé”, bindestrecket försvinner. Cellerna i en tabell kommer på en rad, åtskilda av mellanslag.
En inskannad sida
Samma sida konverterad till en bild har inte längre någon verklig text. Igenkänningen tar ungefär fem sekunder och hittar texten, det avstavade ordet och tabellens tre rader, med samma blandade kolumner. Motorn är inställd på franska: ett annat språk kan kännas igen sämre, och skanningens skärpa påverkar resultatet.
Läs om innan du använder
- Kontrollera egennamn, siffror och accenter.
- Håll utkik efter kolumnbyten.
- För att behålla layouten, konvertera PDF-filen till bilder i stället.
- Behåll den ursprungliga PDF-filen.