Szöveg kinyerése digitális és szkennelt PDF-ből

Ellenőrizze, hogy az oldal tartalmaz-e valós szöveget

Próbáljon kiválasztani egy mondatot a PDF nézőben. Egy hasznos szöveges réteg gyakran lehetővé teszi a szavak kiválasztását, bár egyes dokumentumok még mindig hiányos vagy szokatlan szöveges szimbólumok mappázása. Egy olyan oldal, amely csak egy szkennelt képnek van szüksége a pixel-felismerésre. Egy fájl tartalmazhat mindkét típusú oldalt.

Először a meglévő szöveges réteg kivonása

Válassza ki a PDF-t a digitális dokumentumhoz. Válassza ki a szükséges oldalakat, ellenőrizze a kimenetet és összehasonlítsa az eredeti oldalakkal. A tiszta szöveg nem tartja fenn minden táblát, oszlopot vagy vizuális kapcsolatot. A kivont szöveg nélküli oldalt külön kell ellenőrizni, nem pedig csendben el kell hagyni a munkádból.

PDF-t PNG-re és OCR-t használjon egy szkennelt oldalon

Egy kép-csak oldal, használja a PDF a PNG, hogy a szükséges oldalt egy fehér háttérrel. Ellenőrizze a szöveget a rendelkezésre álló felbontásban, majd nyissa meg a PNG-t a Kép a szövegben, és válassza ki a nyelvet. A PDF a JPG egy másik lehetőség a fotó-súlyos oldalak számára. Az OCR külön szöveget hoz létre a proofreadhoz; nem ad kereshető réteget az eredeti PDF-hez.

Összehasonlítsa a két eredeti Word exportot

A sample-word-output.pdf A fájl tartalmazza az oldalképek a mi Microsoft Word PDF közvetlen letöltés. A sample-word-print.pdf fájl készült a böngésző nyomtatási útvonal és tartalmazza a kiválasztható szöveget az eredeti mintában. A fájlok azt mutatják, hogy miért egy .pdf kiterjesztés nem mondja meg, hogy a szöveges kivonat működik-e.

A termelés céljának tisztázása

A TXT hasznos a szavak kereséséhez, másolásához vagy szerkesztéséhez. Ez nem egy elrendezés-megőrző PDF-Word konverzió. Ha a kivont szöveg fontos, nézze meg az oldal határait, nevét és számát, tartsa meg az eredeti PDF-t, és csak dokumentumokat használjon, amelyeket felhatalmazott feldolgozni.

Folytatás kapcsolódó eszközzel