U hebt de tekst uit een PDF nodig in een formaat waarmee u kunt werken. Geen Word-document met opmaak, geen doorzoekbare PDF met een verborgen tekstlaag, maar een gewoon tekstbestand waarin paragrafen paragrafen zijn en koppen koppen. Een conversie van PDF naar Tekst waarbij de documentstructuur behouden blijft, geeft u inhoud die klaar is voor analyse, herbestemming of archivering. Het tekstbestand kan in elke editor worden geopend, kan door scripts worden verwerkt en zal over tientallen jaren nog steeds leesbaar zijn, wanneer de huidige documentformaten mogelijk verouderd zijn.
De waarde van een goed gestructureerde tekstexport gaat verder dan gemak. Platte tekst is het meest draagbare digitale formaat dat ooit is gemaakt. Een tekstbestand geschreven in 1970 opent net zo gemakkelijk als een tekstbestand dat gisteren is geschreven. Het converteren van PDF's naar overzichtelijke, gestructureerde tekst zorgt ervoor dat de documentinhoud toegankelijk blijft, ongeacht hoe de software evolueert.
Waarom eenvoudig kopiëren en plakken de alineastructuur niet behoudt
Wanneer u alle tekst in een PDF selecteert en kopieert, ontvangt het klembord de tekst in de volgorde waarin deze in de PDF-inhoudsstroom verschijnt. De inhoudsstroom is een reeks tekeninstructies, geen logische documentstructuur. Er verschijnen regeleinden waar de oorspronkelijke PDF-maker de tekst heeft ingepakt zodat deze op de pagina past. Alinea-einden kunnen worden weergegeven door extra regelafstand die bij het vastleggen van het klembord verloren gaat. Koppen kunnen verschijnen als gewone tekst zonder enige indicatie van hun structurele rol.
De kopieer-plakuitvoer vereist handmatige herformattering om de oorspronkelijke alineastructuur te herstellen. U moet door de geplakte tekst scannen, vaststellen waar alinea's beginnen en eindigen, de harde regeleinden verwijderen die tekst in alinea's omsluiten, en alinea-einden toevoegen waar ze thuishoren. Bij een document met meerdere pagina's kan het handmatig opschonen langer duren dan het opnieuw typen van de inhoud.
De PDF Format interne weergave van tekst verschilt fundamenteel van de manier waarop tekstverwerkers tekst weergeven. Tekstverwerkers slaan tekst op als een stroom met alineamarkeringen. PDF's slaan tekst op als gepositioneerde tekens op een pagina. Voor het converteren van gepositioneerde tekens naar vloeiende alinea's is een extractietool nodig die typografische conventies voor alineadetectie begrijpt.
Het begrijpen van dit verschil is de sleutel tot een schone extractie.
Hulpmiddelen voor gestructureerde tekstextractie gebruiken
Speciale tools voor tekstextractie analyseren de PDF op gegevensniveau en reconstrueren de logische documentstructuur. Ze detecteren alineagrenzen door te kijken naar de regelafstand, inspringing en lettertypewijzigingen. Ze identificeren koppen door grotere lettergroottes, vetgedrukte opmaak en nummeringspatronen te detecteren. De uitvoer behoudt de documenthiërarchie zoals weerspiegeld in de tekstopmaak.
WukongPDF biedt PDF Export mogelijkheden voor het extraheren van tekst uit PDF's via de browser. Bij de extractie blijft de alineastructuur behouden, waarbij de bron-PDF voldoende opmaakinformatie bevat om deze te kunnen identificeren. Voor PDF's zonder opmaakaanwijzingen behoudt de geëxtraheerde tekst de oorspronkelijke leesvolgorde.
Wanneer u een tekstextractietool kiest, test deze dan op een document dat lijkt op de documenten die u regelmatig verwerkt. Extraheer de tekst en vergelijk deze met de originele PDF. Controleer of de alineagrenzen correct zijn, dat de koppen herkenbaar zijn en dat speciale tekens zoals letters met accenten en symbolen behouden blijven. Een tool die goed werkt voor het ene type document kan moeite hebben met een ander type document.
Omgaan met speciale inhoud tijdens tekstextractie
Tabellen zijn het meest uitdagende inhoudstype voor tekstextractie. Een tabel in een PDF presenteert gegevens visueel in rijen en kolommen, maar de interne representatie kan cellen opslaan in leesvolgorde, kolomvolgorde of een onvoorspelbare volgorde. Hulpprogramma's voor tekstextractie die niet specifiek met tabellen omgaan, produceren interleaved tekst waarbij de waarden van kolom A tussen de waarden van kolom B verschijnen. Voor PDF's met aanzienlijke tabelinhoud kunt u overwegen om deze naar CSV of Excel te converteren in plaats van naar platte tekst.
Lijsten, zowel met opsommingstekens als genummerd, kunnen tijdens het extraheren hun structuur verliezen als de opsommingstekens of cijfers worden opgeslagen als afzonderlijk gepositioneerde tekens in plaats van als onderdeel van de tekststroom. In de geëxtraheerde tekst kunnen lijstitems als afzonderlijke alinea's worden weergegeven, zonder enige indicatie dat ze tot een lijst behoren. Sommige extractietools detecteren lijstpatronen en voegen voorvoegsels toe om de lijststructuur te behouden.
Voetnoten en eindnoten vormen een ruimtelijke uitdaging. In de visuele PDF-indeling wordt onderaan de pagina een voetnoot weergegeven, ver weg van de tekst die ernaar verwijst. Bij een tekstextractie kan de voetnoot in het midden van de alinea verschijnen die de verwijzing bevat, of tussen niet-gerelateerde alinea's. De beste extractietools verplaatsen voetnoten naar het einde van het document of voegen ze in bij alineagrenzen.
Naverwerking van geëxtraheerde tekst voor maximale netheid
Voer na het uitpakken een opschoonactie uit op het tekstbestand. Gebruik zoeken en vervangen om meerdere spaties om te zetten in enkele spaties. Verwijder de witruimte aan het einde van de regel. Controleer op veelvoorkomende OCR-artefacten als de originele PDF is gescand: herhaalde tekens, ontbrekende spaties tussen woorden en verkeerd herkende interpunctie.
Voor documenten waarbij identificatie van de kop van belang is, scant u de geëxtraheerde tekst op secties die beginnen met vetgedrukte tekst of tekst in hoofdletters aan het begin van een regel. Deze opmaakpatronen geven vaak koppen aan. Markeer koppen handmatig met een consistent voorvoegsel, zoals ## voor koppen op het tweede niveau, om de documentstructuur expliciet te maken in de platte tekst.
De codering van het uitvoertekstbestand is van belang voor de bruikbaarheid op de lange termijn. UTF-8 is de standaardcodering voor moderne tekstbestanden en ondersteunt tekens van vrijwel alle schrijfsystemen. Een tekstbestand opgeslagen als UTF-8 wordt correct geopend op elk modern apparaat. Oudere coderingen zoals ASCII of Latin-1 verliezen tekens uit niet-Engelse talen. Wanneer u tekst uit een PDF exporteert, controleer dan of de exporttool UTF-8-codering gebruikt, of converteer de uitvoer naar UTF-8 als nabewerkingsstap.
Voor PDF's die tekst in meerdere talen bevatten, moet de tekstextractie de tekensets van alle aanwezige talen verwerken. Een Engels document met af en toe Franse of Duitse woorden gebruikt tekens die binnen de uitgebreide Latijnse tekenset vallen. Een document dat Engels en Japans combineert, vereist volledige Unicode-ondersteuning. De meeste moderne extractietools verwerken meertalige tekst correct, maar het testen van de uitvoer op een pagina die niet-Engelse tekst bevat, bevestigt de karakterverwerking.
Kop- en voetteksten presenteren tijdens het extraheren een terugkerende tekst die de uitvoer onoverzichtelijk kan maken. Paginanummers, documenttitels en datumstempels die op elke pagina verschijnen, worden naast de hoofdinhoud geëxtraheerd. Sommige extractietools kunnen herhalende kop- en voetteksten detecteren en verwijderen. Als uw tool deze functie niet bevat, kan een nabewerkingsscript dat regels identificeert die op meerdere pagina's worden herhaald, deze eruit filteren.
Voor PDF's met complexe lay-outs met meerdere kolommen kan de extractievolgorde van tekst moeilijk programmatisch te bepalen zijn. Een academisch artikel met twee kolommen moet eerst als kolom één worden geëxtraheerd en vervolgens als kolom twee. Een krantenindeling met artikelen die op elke pagina verschillende kolommen bevatten, daagt zelfs de beste extractiealgoritmen uit. Voor deze documenten kan het nodig zijn dat de geëxtraheerde tekst handmatig opnieuw wordt gerangschikt om de beoogde leesvolgorde te herstellen.
Het geëxtraheerde tekstbestand kan verder worden verwerkt door hulpmiddelen voor natuurlijke taalverwerking voor analyse. Sentimentanalyse, trefwoordextractie en onderwerpmodellering werken allemaal met platte tekstinvoer. Het converteren van PDF's naar schone tekst ontgrendelt deze analytische mogelijkheden voor documentverzamelingen waarvoor anders handmatig lezen en annoteren nodig zou zijn.
Tekstextractie uit PDF's waarin ligaturen worden gebruikt, speciale typografische tekens die twee of meer letters combineren tot één glyph, kan onverwachte resultaten opleveren. Veelgebruikte ligaturen zoals fi en fl kunnen worden geëxtraheerd als één teken of als twee afzonderlijke tekens, afhankelijk van de PDF-codering. Documenten met uitgebreid ligatuurgebruik, gebruikelijk in professioneel gezette boeken en academische tijdschriften, vereisen een zorgvuldige verificatie van de nauwkeurigheid van de geëxtraheerde tekst.
Voor PDF's die zijn gemaakt van gescande boeken waarbij tegenoverliggende pagina's samen als één afbeelding zijn gescand, moet de tekstextractie eerst elke gescande afbeelding opsplitsen in linker- en rechterpagina's en vervolgens OCR op elke helft uitvoeren. Als u de tegenoverliggende pagina's niet kunt splitsen, resulteert dit in tekst waarbij het laatste woord van de linkerpagina overgaat in het eerste woord van de rechterpagina.
De platte tekstuitvoer van een PDF kan dienen als invoer voor verschillende downstream-processen. Hulpmiddelen voor tekstanalyse kunnen belangrijke thema's en sentimenten identificeren. Vertaalhulpmiddelen kunnen de tekst naar andere talen converteren. Hulpmiddelen voor zoekindexering kunnen de documentinhoud binnen de hele organisatie vindbaar maken. Het platte-tekstbestand is het universele uitwisselingsformaat dat de PDF verbindt met het bredere ecosysteem van tekstverwerkingshulpmiddelen.
Batch-extractie van tekst uit een map met PDF's levert een doorzoekbaar tekstcorpus op. De geëxtraheerde tekstbestanden kunnen worden geïndexeerd door desktopzoekhulpmiddelen, waardoor de inhoud van honderden PDF's doorzoekbaar wordt vanuit één zoekvak. Deze mogelijkheid transformeert een statisch documentarchief in een doorzoekbare kennisbank zonder de originele PDF-bestanden te wijzigen.
Een schone tekstexport uit een PDF vertegenwoordigt de documentinhoud in de meest draagbare en duurzame vorm, klaar voor elk gebruik, van zoeken in volledige tekst tot natuurlijke taalverwerking tot archivering op lange termijn in een formaat dat nog tientallen jaren leesbaar zal blijven.
Als u tijd investeert in de juiste instellingen voor tekstextractie, krijgt u een schone, gestructureerde uitvoer die als basis dient voor het zoeken, analyseren, vertalen en archiveren van uw documentinhoud.
Een goed gestructureerd tekstbestand dat uit een PDF is geëxtraheerd, bewaart de documentinhoud in de meest toegankelijke en toekomstbestendige vorm.
Het resulterende tekstbestand zal jarenlang aan uw behoeften voldoen.
| Inhoudstype | Extractiegedrag | Kwaliteitstip |
|---|---|---|
| Hoofdparagrafen | Geëxtraheerd als doorlopende tekst | Controleer of de alinea-einden overeenkomen met het origineel |
| Koppen | Gedetecteerd door lettergrootte/vet; markeer met ## | Controleer alle geïdentificeerde rubrieken |
| Tafels | Cellen kunnen elkaar verweven; overweeg in plaats daarvan CSV-export | Voor gegevens in tabelvorm gebruikt u Excel/CSV-uitvoer |
| Lijsten | Kogels kunnen verloren gaan; voorvoegsel handmatig toevoegen | Controleer of de lijstitems zijn gegroepeerd |