استخراج متن از PDF دیجیتال و اسکن‌شده

بررسی کنید که آیا صفحه حاوی متن واقعی است یا خیر

سعی کنید یک عبارت را در یک مرورگر PDF انتخاب کنید. یک لایه متن مفید اغلب به شما اجازه می دهد تا کلمات را انتخاب کنید، هر چند برخی از اسناد هنوز هم دارای نقشه برداری نماد متن نامناسب یا غیر معمول است. یک صفحه که فقط یک تصویر اسکن شده است، نیاز به تشخیص از پیکسل ها دارد. یک فایل می تواند شامل هر دو نوع صفحه باشد.

ابتدا لایه متن موجود را استخراج کنید.

PDF را به متن برای یک سند دیجیتال انتخاب کنید. صفحات مورد نیاز را انتخاب کنید، خروجی را بررسی کنید و آن را با اصلی مقایسه کنید. متن مسطح هر جدول، ستون یا رابطه بصری را حفظ نمی کند. یک صفحه بدون متن استخراج شده باید به طور جداگانه بررسی شود به جای اینکه به آرامی از کار شما نادیده گرفته شود.

استفاده از PDF به PNG و OCR برای یک صفحه اسکن شده

برای یک صفحه فقط تصویر، از PDF به PNG استفاده کنید تا صفحه مورد نیاز را با یک پس زمینه سفید ارائه دهید. متن را در رزولوشن موجود بررسی کنید، سپس PNG را در تصویر به متن باز کنید و زبان آن را انتخاب کنید. PDF به JPG گزینه دیگری برای صفحات سنگین عکس است. OCR متن جداگانه را برای proofread ایجاد می کند؛ یک لایه قابل جستجو را به PDF اصلی اضافه نمی کند.

مقایسه دو کلمه اصلی

در آن sample-word-output.pdf فایل حاوی تصاویر صفحه از ما مایکروسافت ورد به PDF دانلود مستقیم. در آن sample-word-print.pdf فایل با استفاده از مسیر چاپ مرورگر ساخته شده است و حاوی متن انتخابی در نمونه اصلی است. فایل ها نشان می دهد که چرا یک افزونه .pdf به تنهایی به شما نمی گوید که آیا استخراج متن کار خواهد کرد.

هدف تولید را روشن نگه دارید

TXT برای جستجو، کپی کردن یا ویرایش کلمات مفید است. این یک تبدیل PDF-to-Word نیست. اگر متن استخراج شده مهم است، مرزهای صفحه، نام ها و اعداد را بررسی کنید، PDF اصلی را حفظ کنید و فقط از اسناد که مجاز به پردازش آن هستید استفاده کنید.

با ابزار مرتبط ادامه دهید