Estrarre il testo da un PDF è semplice quando PDF ha un livello di testo adeguato: puoi semplicemente selezionarlo e copiarlo. La sfida arriva con i PDF scansionati o quelli in cui il testo è stato convertito in contorni, dove l'aspetto visivo del testo è presente ma i caratteri sottostanti no. Ecco come gestire entrambe le situazioni.
Estrazione del testo da un file nativo digitale PDF
Per i PDF creati digitalmente, da Word, Excel, PowerPoint o software di progettazione, l'estrazione del testo è semplice come selezionarlo e copiarlo. Apri il PDF in qualsiasi visualizzatore, fai clic e trascina per selezionare il testo e premi Ctrl/Cmd + C per copiare. Incolla in un editor di testo, in un documento Word o ovunque ti serva il contenuto.
Per estrarre tutto il testo da un PDF multipagina contemporaneamente, premi Ctrl/Cmd + A per selezionare tutto, quindi copia e incolla. Il testo scorre nell'ordine in cui viene memorizzato nel PDF, che di solito è dall'alto verso il basso per colonna: i layout a più colonne a volte vengono incollati in un ordine meno intuitivo che richiede una riorganizzazione manuale.
Estrazione del testo da un PDF scansionato utilizzando l'OCR
I PDF scansionati memorizzano le pagine come immagini, quindi non c'è alcun livello di testo da cui copiare. Per estrarre il testo, devi prima eseguire l'OCR sul documento. Carica il PDF scansionato nello strumento OCR PDF di WukongPDF, elaboralo e scarica la versione ricercabile. Il livello di testo è ora incorporato e può essere selezionato, copiato e cercato come qualsiasi PDF digitale.
Se hai bisogno del testo estratto come file separato anziché incorporato nel PDF, converti l'output OCR in Word utilizzando lo strumento PDF in Word. Il file Word contiene tutto il testo riconosciuto in un formato modificabile, semplificando la copia di sezioni, la riformattazione o la creazione del contenuto.
Estrazione di testo in una parola o in un file di testo
Per un'estrazione diretta da PDF a testo senza passare manualmente dall'OCR, il convertitore da PDF a Word di WukongPDF estrae il contenuto del testo e lo inserisce in un file .docx modificabile. Per il testo semplice senza formattazione, apri il documento Word risultante e salvalo come file .txt oppure incolla il contenuto in un editor di testo semplice e salva da lì.
Ciò è utile quando hai bisogno di testo pulito e non formattato per l'elaborazione dei dati, l'importazione in un'altra applicazione o l'inserimento in uno strumento di intelligenza artificiale che funzioni con l'input di testo semplice.
Estrazione di testo da PDFs protetto da password
Se un PDF ha restrizioni di copia impostate da una password del proprietario, la selezione del testo funziona visivamente ma l'azione di copia è bloccata. Per estrarre il testo da un PDF limitato a cui hai accesso legittimo, utilizza lo strumento PDF Unlock di WukongPDF per rimuovere prima la restrizione delle autorizzazioni, quindi estrai il testo normalmente. Una volta rimossa la restrizione, copia e incolla funziona senza limitazioni.
Verifica della qualità di estrazione
Dopo aver estratto il testo, controlla alcuni paragrafi rispetto al PDF originale per verificarne l'accuratezza. I problemi più comuni includono legature (combinazioni fi, fl) che vengono estratte come caratteri confusi, simboli speciali che vengono convertiti in punti interrogativi e interruzioni di riga con trattino che appaiono a metà parola nel testo estratto. La maggior parte di questi problemi è facile da risolvere con la funzione Trova e sostituisci una volta che sai cosa cercare.