從數位或掃描的 PDF 中提取文本

檢查頁面是否包含真實文本

嘗試在 PDF 檢視器中選擇一個句子。有用的文字圖層通常允許您選擇單字，儘管某些文件仍然具有不完整或異常的字元映射。僅是掃描影像的頁面需要透過像素進行辨識。一個文件可以包含兩種頁面。

先擷取現有文字圖層

選擇 PDF 為數位文件新增文字。選擇您需要的頁面，檢查輸出並將其與原始文件進行比較。純文字不會保留每個表、列或視覺關係。沒有提取文字的頁面應該單獨檢查，而不是默默地從你的工作中忽略。

使用影像 OCR

對於純影像頁面，首先使用 PDF 到 JPG 渲染所需頁面。在“圖像到文字”中開啟該結果並選擇文字語言。此手動序列可讓您在識別之前查看頁面。第一個 PDF 到文字版本不會自動 OCR 掃描頁面。

比較兩個原始Word導出

sample-word-output.pdf 檔案包含從我們的 Word 到 PDF 直接下載的頁面圖片。 sample-word-print.pdf 檔案是使用瀏覽器列印路徑建立的，包含原始範例中的選用文字。這些文件說明了為什麼 .pdf 副檔名本身並不能告訴您文字擷取是否有效。

保持輸出的目的明確

TXT 對於搜尋、複製或編輯單字很有用。它不是保留版面的 PDF 到 Word 的轉換。如果擷取的文字很重要，請檢查頁面邊界、名稱和圖形，保留原始 PDF，並僅使用您有權處理的文件。

Continue with a related tool