Sao chép văn bản từ PDF không cho sao chép
Đăng ngày · Cập nhật ngày 1 phút đọc
Một PDF chứa văn bản thật hoặc chỉ có ảnh của văn bản. Kết quả trích xuất phụ thuộc vào điểm đầu tiên này.
Văn bản thật hay ảnh của văn bản
Mở PDF và thử chọn một từ. Nếu chọn được, tài liệu chứa văn bản thật. Nếu không, các trang là ảnh, như của một bản quét.
Công cụ làm gì
PDF sang văn bản đọc trực tiếp văn bản thật và áp dụng nhận dạng ký tự cho các trang không có. Kết quả là một tệp văn bản có dấu đánh dấu trước mỗi trang: “--- Page 1 [native] ---” cho văn bản thật, “--- Page 1 [ocr] ---” cho một trang được nhận dạng. Mười trang của báo cáo cho một tệp 5 KB.
Một trang hai cột
Công cụ đọc từng dòng trên toàn bộ chiều rộng của trang. Các dòng của hai cột vì thế bị trộn lẫn: “Colonne de gauche. Le compost de printemps Colonne de droite. Un atelier sur la récupération”. Một từ bị ngắt ở cuối dòng vẫn bị ngắt: “com” rồi “mencé”, dấu gạch nối biến mất. Các ô của một bảng đến trên một dòng, cách nhau bằng khoảng trắng.
Một trang quét
Cùng trang đó chuyển thành ảnh thì không còn văn bản thật. Việc nhận dạng mất khoảng năm giây và tìm lại được văn bản, từ bị ngắt và ba dòng của bảng, với các cột vẫn bị trộn. Bộ máy được đặt cho tiếng Pháp: ngôn ngữ khác có thể được nhận dạng kém hơn, và độ nét của bản quét ảnh hưởng đến kết quả.
Đọc lại trước khi dùng
- Kiểm tra tên riêng, con số và dấu.
- Chú ý các chỗ đổi cột.
- Để giữ bố cục, hãy chuyển PDF thành ảnh.
- Giữ lại PDF gốc.