Získanie textu z digitálneho a naskenovaného PDF
Dva PDF môžu vyzerať takmer rovnaké, zatiaľ čo ich stránky sú uložené inak. Jeden môže obsahovať vybraté textové symboly; druhý môže obsahovať iba obrázky stránok. Správny textový extrakčný pracovný tok závisí od toho, čo je vo vnútri súboru.
Zistite, či stránka obsahuje skutočný text
Skúste vybrať frázu v prehliadači PDF. Užitočná textová vrstva vám často umožňuje vybrať slová, hoci niektoré dokumenty stále majú neúplné alebo neobvyklé textové symboly mapovanie. Stránka, ktorá je len skenovaný obrázok potrebuje rozpoznanie z pixelov. Jeden súbor môže obsahovať oba typy stránok.
Najprv odstráňte existujúci textový vrstvu
Vyberte PDF do textu pre digitálny dokument. Vyberte stránky, ktoré potrebujete, skontrolujte výstup a porovnajte ho s pôvodným. Plochý text nezachováva každý tabuľkový, stĺpec alebo vizuálny vzťah. Stránka bez vytiahnutého textu by sa mala skontrolovať samostatne namiesto toho, aby bola ticho vynechaná z vašej práce.
Použite PDF na PNG a OCR pre skenovanú stránku
Pre obrazovú stránku použite PDF na PNG, aby sa potrebná stránka zobrazila s bielym pozadím. Kontrola textu v dostupnej rozlíšení, potom otvorte PNG v obrázku na text a vyberte jeho jazyk. PDF na JPG je ďalšou možnosťou pre foto-ťažké stránky. OCR vytvára samostatný text pre prehľadávanie; nepridáva do pôvodného PDF vyhľadávateľnú vrstvu.
Porovnanie dvoch pôvodných slovných exportov
a to sample-word-output.pdf Súbor obsahuje obrázky stránok z nášho programu Microsoft Word na PDF priame sťahovanie. a to sample-word-print.pdf súbor bol vytvorený pomocou prehliadača tlačovej cesty a obsahuje vybratý text v pôvodnej vzorke. Súbory ukazujú, prečo iba rozšírenie .pdf vám nehovorí, či textová extrakcia bude fungovať.
Udržujte účel výstupu jasný
TXT je užitočné pre vyhľadávanie, kopírovanie alebo úpravu slov. Nie je to rozloženie-zachovávajúce konverziu PDF-to-Word. Ak je vytiahnutý text dôležitý, preskúmajte hranice stránky, mená a čísla, uchovávajte pôvodný PDF a použite len dokumenty, ktoré máte povolenie na spracovanie.
Vyskúšajte vzorky
Tieto originálne vzorky boli vytvorené pre túto stránku. Stiahnuť kópiu a vyskúšať súvisiace nástroje. Niektoré vzorky obsahujú anglický text, aby sa rovnaký vstup mohol porovnávať cez rozhranie.
sample-word-output.pdf ↓ sample-word-print.pdf ↓Pokračujte súvisiacim nástrojom
Otázky alebo korekcia? mrkcal@mrkcal.com