Extragerea textului din PDF digital și scanat
Două PDF-uri pot arăta aproape identice în timp ce păstrează paginile lor diferit. Una poate conține simboluri de text selectabile; cealaltă poate conține doar imagini de pagină. Fluxul de lucru corect de extragere a textului depinde de ceea ce este în interiorul fișierului.
Verificați dacă pagina conține un text real
Încercați să selectați o frază într-un vizualizator PDF. O strat de text util vă permite adesea să selectați cuvinte, deși unele documente au încă mapări incomplete sau neobișnuite de simbol text. O pagină care este doar o imagine scanată necesită recunoaștere din pixeli. Un fișier poate conține ambele tipuri de pagini.
Extrageți mai întâi stratul text existent
Selectați PDF la Text pentru un document digital. Selectați paginile de care aveți nevoie, verificați rezultatul și comparați-l cu originalul. Textul plat nu păstrează fiecare tabel, coloană sau relație vizuală. O pagină fără text extrajat ar trebui să fie verificat separat, în loc să fie omis în tăcere de la munca ta.
Utilizați PDF la PNG și OCR pentru o pagină scanată
Pentru o pagină numai imagini, utilizați PDF-ul pentru PNG pentru a face pagina necesară cu un fundal alb. Verificați textul la o rezoluție disponibilă, apoi deschideți PNG în Imaginea la Text și alegeți limba sa. PDF-ul la JPG este o altă opțiune pentru paginile grele foto. OCR creează text separat pentru a proofread; nu adaugă o strată de căutare în PDF-ul original.
Comparați cele două exportații Word originale
Ceea ce sample-word-output.pdf Fișierul conține imagini de pagină din Microsoft Word pentru descărcarea directă a PDF. Ceea ce sample-word-print.pdf fișierul a fost realizat folosind calea de imprimare a browserului și conține text selectabil în eșantionul original. Fișierele arată de ce o extensie .pdf nu vă spune dacă extracția textului va funcționa.
Păstrați clar scopul producției
TXT este util pentru căutarea, copierea sau editarea cuvintelor. Nu este o conversie PDF-to-Word care păstrează layout. Dacă textul extras este important, revizuiți limitele paginii, numele și cifrele, păstrați PDF-ul original și utilizați numai documentele pe care le aveți autorizat să le prelucrați.
Încercați amprentele
Aceste mostre originale au fost create pentru acest site. Descărcați o copie și încercați instrumentul asociat. Unele mostre conțin text englez, astfel încât aceeași intrare poate fi comparată pe interfețe.
sample-word-output.pdf ↓ sample-word-print.pdf ↓Continuați cu un instrument asociat
Întrebări sau corecții? mrkcal@mrkcal.com