Extrahieren Sie Text aus einem digitalen oder gescannten PDF
Zwei PDFs können fast identisch aussehen, obwohl sie ihre Seiten unterschiedlich speichern. Eines kann auswählbare Zeichen enthalten; das andere darf nur Seitenbilder enthalten. Der richtige Textextraktions-Workflow hängt davon ab, was in der Datei enthalten ist.
Veröffentlicht von MRKCAL Tools
Überprüfen Sie, ob die Seite echten Text enthält
Versuchen Sie, einen Satz in einem PDF-Viewer auszuwählen. Mithilfe einer nützlichen Textebene können Sie häufig Wörter auswählen, obwohl einige Dokumente immer noch unvollständige oder ungewöhnliche Zeichenzuordnungen aufweisen. Eine Seite, die nur ein gescanntes Bild ist, muss anhand der Pixel erkannt werden. Eine Datei kann beide Arten von Seiten enthalten.
Extrahieren Sie zuerst die vorhandene Textebene
Wählen Sie „PDF to Text“ für ein digitales Dokument. Wählen Sie die benötigten Seiten aus, überprüfen Sie die Ausgabe und vergleichen Sie sie mit dem Original. Einfacher Text behält nicht jede Tabelle, Spalte oder visuelle Beziehung bei. Eine Seite ohne extrahierten Text sollte separat überprüft und nicht stillschweigend aus Ihrer Arbeit weggelassen werden.
Verwenden Sie das Bild OCR für gescannte Seiten
Für eine reine Bildseite verwenden Sie zunächst PDF bis JPG, um die benötigte Seite zu rendern. Öffnen Sie das Ergebnis in „Bild zu Text“ und wählen Sie die Textsprache aus. Mit dieser manuellen Sequenz können Sie eine Seite vor der Erkennung überprüfen. Die erste PDF to Text-Version gescannte Seiten werden nicht automatisch mit OCR gescannt.
Vergleichen Sie die beiden ursprünglichen Word-Exporte
Die sample-word-output.pdf-Datei enthält Seitenbilder aus unserem Word-zu-PDF-Direktdownload. Die sample-word-print.pdf-Datei wurde über den Browser-Druckpfad erstellt und enthält im Originalbeispiel auswählbaren Text. Die Dateien zeigen, warum eine .pdf-Erweiterung allein keinen Aufschluss darüber gibt, ob die Textextraktion funktioniert.
Halten Sie den Zweck der Ausgabe klar
TXT ist nützlich zum Suchen, Kopieren oder Bearbeiten von Wörtern. Es handelt sich nicht um eine formaterhaltende PDF-zu-Word-Konvertierung. Wenn der extrahierte Text wichtig ist, überprüfen Sie Seitenränder, Namen und Abbildungen, bewahren Sie das Original PDF auf und verwenden Sie nur Dokumente, zu deren Verarbeitung Sie berechtigt sind.
Probieren Sie die Beispiele aus
Diese Originalbeispiele wurden für diese Site erstellt. Laden Sie eine Kopie herunter und probieren Sie das entsprechende Tool aus. Einige Beispiele enthalten englischen Text, sodass dieselbe Eingabe schnittstellenübergreifend verglichen werden kann.
sample-word-output.pdf ↓ sample-word-print.pdf ↓Continue with a related tool
Fragen oder eine Korrektur? mrkcal@mrkcal.com