复制无法复制的 PDF 中的文字
发布于 · 更新于 阅读约 1 分钟
PDF 里要么是真正的文字，要么只有文字的图像。提取的结果取决于这第一点。
真正的文字还是文字的图像
打开 PDF，试着选中一个词。如果能选中，文档里就是真正的文字；否则它的页面是图像，和扫描件一样。
工具做什么
PDF 转文本会直接读取真正的文字，并对没有文字的页面进行字符识别。结果是一个文本文件，每页前面有一个标记：真正的文字是“--- Page 1 [native] ---”，识别出来的页面是“--- Page 1 [ocr] ---”。报告的十页得到一个 5 KB 的文件。
两栏页面
工具会按整页宽度读取每一行，所以两栏的行会混在一起：“Colonne de gauche. Le compost de printemps Colonne de droite. Un atelier sur la récupération”。行尾被拆开的单词仍然是拆开的：“com”然后是“mencé”，连字符消失了。表格的单元格会排在同一行，用空格隔开。
扫描页面
同一页转成图片后，就不再有真正的文字。识别大约用了五秒，找回了文字、被拆开的单词和表格的三行，同样存在栏混在一起的问题。识别引擎针对法语设置：其他语言可能识别得较差，扫描件的清晰度也会影响结果。
使用前请重读
- 检查人名、数字和重音符号。
- 留意栏的变化。
- 想保留版式，请改为把 PDF 转换成图片。
- 保留原始 PDF。