Извлечение текста из цифрового или отсканированного PDF
Два PDF могут выглядеть почти одинаково, но при этом хранить свои страницы по-разному. Один может содержать выбираемые символы; другой может содержать только изображения страниц. Правильный рабочий процесс извлечения текста зависит от того, что находится внутри файла.
Проверьте, содержит ли страница настоящий текст
Попробуйте выбрать предложение в программе просмотра PDF. Полезный текстовый слой часто позволяет выбирать слова, хотя в некоторых документах все еще имеются неполные или необычные сопоставления символов. Страница, представляющая собой всего лишь отсканированное изображение, нуждается в распознавании по пикселям. Один файл может содержать страницы обоих типов.
Сначала извлеките существующий текстовый слой
Выберите PDF в текст для цифрового документа. Выберите нужные страницы, проверьте результат и сравните его с оригиналом. Обычный текст не сохраняет каждую таблицу, столбец или визуальные связи. Страницу без извлеченного текста следует проверять отдельно, а не молча исключать из вашей работы.
Используйте изображение OCR для сканированных страниц.
Для страницы, содержащей только изображения, сначала используйте PDF–JPG для визуализации необходимой страницы. Откройте этот результат в программе «Изображение в текст» и выберите язык текста. Эта последовательность действий позволяет просмотреть страницу перед распознаванием. В первой версии PDF to Text страницы OCR не сканируются автоматически.
Сравните два исходных экспорта Word.
Файл sample-word-output.pdf содержит изображения страниц из нашего Word для прямой загрузки PDF. Файл sample-word-print.pdf был создан с использованием пути печати браузера и содержит выбираемый текст в исходном образце. Файлы показывают, почему само по себе расширение .pdf не говорит о том, будет ли работать извлечение текста.
Четко объясняйте цель вывода
TXT полезен для поиска, копирования или редактирования слов. Это не преобразование PDF в Word с сохранением макета. Если извлеченный текст важен, просмотрите границы страниц, имена и рисунки, сохраните оригинал PDF и используйте только документы, на обработку которых у вас есть разрешение.
Попробуйте образцы
Эти оригинальные образцы были созданы для этого сайта. Загрузите копию и попробуйте соответствующий инструмент. Некоторые примеры содержат текст на английском языке, чтобы можно было сравнивать одни и те же входные данные в разных интерфейсах.
sample-word-output.pdf ↓ sample-word-print.pdf ↓Continue with a related tool
Вопросы или исправление? mrkcal@mrkcal.com