デジタルまたはスキャンされた PDF からのテキストの抽出
2 つの PDF は、ページの保存方法が異なるにもかかわらず、ほぼ同一に見えることがあります。選択可能な文字を含めることもできます。もう 1 つはページ画像のみを含む場合があります。正しいテキスト抽出ワークフローは、ファイルの内容によって異なります。
ページに実際のテキストが含まれているかどうかを確認します
PDFビューアで文章を選択してみてください。多くの場合、便利なテキスト レイヤーでは単語を選択できますが、一部のドキュメントにはまだ不完全または異常な文字マッピングが含まれています。スキャンされた画像のみのページは、ピクセルからの認識が必要です。 1 つのファイルに両方の種類のページを含めることができます。
最初に既存のテキストレイヤーを抽出します
デジタル ドキュメントのテキストに PDF を選択します。必要なページを選択し、出力を調べて元のページと比較します。プレーン テキストでは、すべてのテーブル、列、または視覚的な関係が保持されるわけではありません。テキストが抽出されていないページは、黙って作業から除外するのではなく、個別にチェックする必要があります。
スキャンしたページにイメージ OCR を使用する
画像のみのページの場合、最初に PDF ～ JPG を使用して必要なページをレンダリングします。その結果を「画像からテキストへ」で開き、テキスト言語を選択します。この手動シーケンスにより、認識前にページを確認できます。最初の PDF to Text リリースでは、OCR でページが自動的にスキャンされません。
2 つの元の Word エクスポートを比較します
sample-word-output.pdf ファイルには、Word から PDF に直接ダウンロードしたページ画像が含まれています。 sample-word-print.pdf ファイルはブラウザーの印刷パスを使用して作成され、元のサンプルの選択可能なテキストが含まれています。ファイルは、.pdf 拡張子だけではテキスト抽出が機能するかどうかを判断できない理由を示しています。
出力の目的を明確にしてください
TXT は、単語の検索、コピー、編集に便利です。これは、レイアウトを保持した PDF から Word への変換ではありません。抽出されたテキストが重要な場合は、ページ境界、名前、図を確認し、元の PDF を保持し、処理を許可された文書のみを使用してください。
サンプルをお試しください
このサイト用に作成されたオリジナルサンプルです。コピーをダウンロードして、関連ツールを試してください。一部のサンプルには英語のテキストが含まれているため、インターフェイス間で同じ入力を比較できます。
sample-word-output.pdf ↓ sample-word-print.pdf ↓Continue with a related tool
質問または修正がありますか? mrkcal@mrkcal.com