Kopiowanie tekstu z pliku PDF i wklejanie go do edytora tekstu często powoduje, że tekst jest pełen niechcianych podziałów wierszy. Każda linia w oryginalnym pliku PDF staje się oddzielnym akapitem w wklejonym pliku wyjściowym. Akapit zajmujący pięć wierszy na stronie pliku PDF jest wklejany jako pięć odłączonych fragmentów tekstu. Wyodrębnianie PDF do tekstu z zachowaniem granic akapitów wymaga zrozumienia sposobu przechowywania tekstu w plikach PDF i użycia narzędzi wyodrębniania, które rekonstruują akapity z pojedynczych wierszy tekstu.
Pliki PDF przechowują tekst jako znaki umieszczone na stronie. Pojęcie akapitu nie istnieje w wewnętrznym modelu danych pliku PDF. Znaki są umieszczane pod określonymi współrzędnymi, a podziały wierszy są ukryte w pionowych odstępach między wierszami tekstu. Narzędzia do wyodrębniania, które po prostu czytają znaki w odpowiedniej kolejności i wstawiają znak nowej linii w każdej pionowej przerwie, tworzą pofragmentowany wynik, co sprawia, że praca z wklejonym tekstem PDF jest tak frustrująca.
Narzędzia WukongPDF Wyodrębnij dane PDF zachowują strukturę akapitu podczas wyodrębniania tekstu, tworząc czysty wydruk gotowy do edycji.
Dlaczego wyodrębnianie tekstu PDF dodaje niechciane podziały wierszy
Rozważmy akapit PDF rozciągający się na pięć linii. Wewnętrznie plik PDF przechowuje pięć oddzielnych obiektów tekstowych, każdy umieszczony na innej współrzędnej pionowej. Naiwne narzędzie do ekstrakcji odczytuje każdy obiekt tekstowy i dodaje po nim znak nowej linii. Rezultatem jest pięć wierszy tekstu oddzielonych twardymi znakami końca, z których każdy jest traktowany przez edytory tekstu jako niezależny akapit. Ponowne wlanie tekstu wymaga ręcznego połączenia wierszy.
Lepsze narzędzia do ekstrakcji wykrywają granice akapitów, analizując pionowe odstępy między wierszami tekstu. Linie w akapicie mają stałe odstępy między wierszami. Odstęp między akapitami jest większy lub może obejmować dodatkowe odstępy, takie jak wcięcie w następnym wierszu. Narzędzie grupuje wiersze o regularnych odstępach w akapity i wstawia pojedynczy podział akapitu na granicy. Format PDF świadomość oddziela użyteczną ekstrakcję tekstu od fragmentarycznego wyniku.
Wypróbuj PDF do Worda
Nie wymaga instalacji. Działa bezpośrednio w Twojej przeglądarce.
Wyodrębnianie czystego tekstu za pomocą programu Adobe Acrobat Pro
Funkcja eksportu do programu Word w programie Acrobat Pro obejmuje wykrywanie akapitów. Przejdź do Plik, Eksportuj, Microsoft Word, Dokument Word. W ustawieniach eksportu zaznacz opcję Zachowaj tekst ciągły, aby zachować strukturę akapitu. Acrobat analizuje układ tekstu i rekonstruuje akapity. Wyjściowy plik DOCX powinien zawierać czyste akapity bez niepożądanych podziałów wierszy.
Otwórz wyeksportowany plik DOCX i wyszukaj artefakty podziału wiersza. Akapity zawierające tabele, listy wypunktowane lub kolumny mogą nadal powodować problemy, ponieważ złożony układ utrudnia wykrywanie akapitów. W przypadku tych obszarów ręcznie połącz linie przerywane i sprawdź, czy struktura akapitu odpowiada oryginalnemu plikowi PDF. Eksport programu Acrobat poprawnie obsługuje od 80 do 90 procent akapitów. Pozostałe przypadki Edge wymagają ręcznej uwagi.
Kopiuj-wklej z metodą czyszczenia
W przypadku krótkich dokumentów najszybszą metodą jest skopiowanie tekstu z pliku PDF, wklejenie go do edytora zwykłego tekstu i ręczne wyczyszczenie. Zaznacz cały tekst w pliku PDF, skopiuj i wklej do Notatnika lub podobnego edytora. Tekst pojawia się z niechcianymi podziałami wierszy po każdym wierszu. Użyj funkcji Znajdź i zamień, aby usunąć pojedyncze podziały wierszy, zachowując podwójne podziały wierszy wskazujące granice akapitów.
W większości edytorów tekstu wyszukaj pojedynczy znak nowej linii i zamień go na spację, a następnie wyszukaj dwa kolejne znaki nowej linii i zamień na pojedynczy znak nowej linii. Spowoduje to połączenie wierszy w akapitach przy zachowaniu podziałów akapitów. Metoda ręczna sprawdza się w przypadku dokumentów o długości do około pięciu stron. Poza tym metoda „znajdź i zamień” staje się żmudna i podatna na błędy.
Wyodrębnianie programowe za pomocą języka Python i pdfplumber
Biblioteka pdfplumber dla języka Python zapewnia precyzyjną kontrolę nad wyodrębnianiem tekstu. Może wyodrębniać tekst z określonych obszarów strony, wykrywać tabele i zachowywać strukturę akapitów. Podstawowy skrypt wyodrębniający otwiera plik PDF, przegląda strony i wywołuje metodę page.extract_text(). Domyślne ustawienia biblioteki dość dobrze wykrywają akapity w przypadku prostych układów.
Jeśli chodzi o obieg dokumentów, w przypadku złożonych układów pdfplumber umożliwia określenie strategii ekstrakcji. Metoda ekstraktu_tekst akceptuje parametry progów odstępów między znakami i wyrazami, które kontrolują sposób, w jaki biblioteka grupuje znaki w słowa i linie. Dostosuj te progi w przypadku dokumentów o nietypowej typografii, takich jak artykuły akademickie z gęstym tekstem lub materiały marketingowe ze zmiennymi odstępami między wierszami.
| Metoda | Jakość wyjściowa | Najlepsze dla |
|---|---|---|
| Eksport programu Acrobat do programu Word | Dobrze, zachowuje strukturę akapitu | Proste układy, kilka stolików |
| Kopiuj-wklej z czyszczeniem | Zmienna, wymaga pracy ręcznej | Krótkie dokumenty, szybkie wyciągi |
| Python + pdfhydraulik | Doskonała, pełna kontrola | Przetwarzanie wsadowe, złożone dokumenty |
Przetwarzanie wyodrębnionego tekstu do użytku profesjonalnego
Po wyodrębnieniu przeprowadź kontrolę jakości tekstu przed jego użyciem. Wyszukaj typowe artefakty: podwójne spacje, które powinny być pojedynczymi spacjami, łączniki na końcach wierszy, które należy usunąć, oraz numerowane elementy listy, które zostały połączone w jeden akapit. Pięciominutowa przepustka czyszcząca wyłapuje te artefakty i tworzy tekst, który czyta się równie płynnie, jak oryginalny plik PDF.
Jeśli chodzi o obieg dokumentów, w celu cyklicznego wyodrębniania plików PDF z podobnie sformatowanych plików PDF utwórz skrypt przetwarzania końcowego, który zastosuje te same reguły czyszczenia przy każdym wyodrębnianiu. Skrypt automatycznie obsługuje usuwanie łączników, normalizację spacji i wykrywanie list. Po kilku cyklach ekstrakcji skrypt jest dopasowywany do określonego formatu dokumentu i generuje czysty tekst bez ręcznej interwencji.
Czystą ekstrakcję tekstu akapitowego z plików PDF można osiągnąć przy użyciu odpowiednich narzędzi i realistycznym założeniu, że w przypadku Edge może być konieczne ręczne czyszczenie. Czas zaoszczędzony dzięki automatycznemu wyodrębnianiu w porównaniu z ręcznym ponownym wpisywaniem uzasadnia niewielką inwestycję w skonfigurowanie przepływu pracy wyodrębniania.
Zachowanie oryginalnego formatowania podczas łączenia wyodrębnionych akapitów
Po wyodrębnieniu czystego tekstu akapitowego możesz ponownie zastosować formatowanie, takie jak pogrubienie i kursywa, z oryginalnego pliku PDF. Acrobat Export to Word zachowuje podstawowe formatowanie. W przypadku ekstrakcji programowej pdfplumber lub PyMuPDF mogą wyodrębnić tekst z informacjami o czcionce, w tym pogrubieniem, kursywą i metadanymi dotyczącymi rozmiaru czcionki.
Odbudowa sformatowanego tekstu z wyodrębnionych metadanych czcionek wymaga przetwarzania, które odwzorowuje atrybuty czcionek na formatowanie wyjściowe. Skrypt generujący Markdown lub HTML ze znacznikami pogrubionymi i pochylonymi tworzy sformatowaną wersję, która zachowuje wizualną hierarchię oryginału, a jednocześnie można ją edytować w dowolnym edytorze tekstu.
Podczas typowych przepływów pracy, podczas wyodrębniania tekstu do potoków przetwarzania języka naturalnego, jakość rekonstrukcji akapitów bezpośrednio wpływa na wydajność późniejszego modelu. Czyste akapity dają lepsze dane szkoleniowe. Fragmentaryczny tekst z przerwami między wierszami artefaktów wprowadza szum, który zmniejsza dokładność modelu.
W celu wyodrębnienia tekstu archiwalnego wyodrębniony tekst należy zapisać wraz z oryginalnym plikiem PDF. Plik tekstowy zapewnia wersję niezależną od formatu, którą można odczytać nawet wtedy, gdy oprogramowanie do renderowania plików PDF stanie się niedostępne w odległej przyszłości.
W praktyce różnica między dobrą i słabą ekstrakcją tekstu jest najbardziej widoczna, gdy tekst jest czytany na głos przez czytnik ekranu. Czyste akapity z naturalnym przebiegiem zdań brzmią jak ludzka mowa. Fragmentaryczny tekst z artefaktami przerywa dźwięki nierówne i chaotyczne.
Dokładność wyodrębniania tekstu poprawia się wraz z praktyką i znajomością formatowania dokumentu źródłowego. Po wyodrębnieniu tekstu z dokumentów utworzonych przez to samo oprogramowanie poznajesz charakterystyczne artefakty i możesz odpowiednio dostosować ustawienia lub zasady przetwarzania końcowego.
Z praktycznego punktu widzenia, w praktyce proces wyodrębniania tekstu z pliku PDF powinien obejmować etap sprawdzania poprawności polegający na porównaniu liczby słów wyodrębnionego tekstu z ręcznym zliczeniem na przykładowej stronie. Rozbieżność wskazuje na problemy z ekstrakcją, które wymagają zbadania.
W przypadku przetwarzania dokumentów zawierających równania matematyczne lub notację naukową standardowe wyodrębnianie tekstu często nie pozwala poprawnie uchwycić zapisu. Istnieją wyspecjalizowane narzędzia do ekstrakcji STEM, które dokładniej radzą sobie z formatowaniem równań.
Należy zweryfikować kodowanie wyodrębnionego tekstu, szczególnie w przypadku dokumentów zawierających znaki inne niż ASCII. Dane wyjściowe w formacie UTF-8 zachowują wszystkie zestawy znaków. Dane wyjściowe ASCII mogą po cichu usuwać lub zmieniać znaki ze skryptów innych niż angielskie.
Tekst wyodrębniony ze zeskanowanych plików PDF, które zostały przetworzone przez OCR, ma poziom pewności OCR dla każdego słowa. Słowa o wysokim stopniu pewności są na ogół dokładne. Słowa o niskim stopniu pewności należy sprawdzić w stosunku do oryginalnego obrazu strony.
Zbiorcze wyodrębnianie tekstu z wielu plików PDF powinno obejmować plik manifestu zawierający listę każdego pliku wejściowego i wyodrębnionego wyniku. Manifest umożliwia programowe przetwarzanie wyodrębnionego korpusu tekstowego bez ręcznego zarządzania plikami.
Z biegiem czasu, podczas wyodrębniania tekstu do indeksowania w wyszukiwarkach, do wyodrębnionego wyniku dołącz metadane dokumentu. Tytuł, autor i data utworzenia zapewniają kontekst, który poprawia trafność wyszukiwania, gdy wyodrębniony tekst zostanie dodany do indeksu wyszukiwania.
W przypadku większości narzędzi wyodrębnianie tekstu z plików PDF chronionych hasłem wymaga podania hasła do narzędzia do wyodrębniania. Zautomatyzowane potoki ekstrakcji wymagają bezpiecznego przechowywania danych uwierzytelniających, które nie ujawnia haseł w postaci zwykłego tekstu.
Regularne testowanie ekstrakcji tekstu z przykładowych dokumentów w bibliotece dokumentów monitoruje regresje. Zmiana jakości wyodrębniania może oznaczać, że oprogramowanie do generowania plików PDF zostało zaktualizowane i obecnie generuje tekst w inny sposób.
Wyodrębnianie czystego tekstu z plików PDF to podstawowa umiejętność, która pomaga w dziesiątkach dalszych zadań: zmianie przeznaczenia treści, poprawianiu dostępności, tłumaczeniu, indeksowaniu wyszukiwania i analizie danych. Każde z tych zadań zależy od jakości wyodrębnionego tekstu. Inwestowanie w jakość ekstrakcji u źródła poprawia wyniki w każdym dalszym zastosowaniu.
Wyodrębnianie czystego tekstu z plików PDF to podstawowa umiejętność ponownego wykorzystania treści. Wyodrębniony tekst, pozbawiony podziałów wierszy artefaktów, może zostać wykorzystany w tłumaczeniach, narzędziach ułatwień dostępu, indeksach wyszukiwania i nowych dokumentach bez dodatkowego czyszczenia. Jakość ekstrakcji determinuje jakość wszystkiego, co znajduje się na dalszym etapie procesu.
Wypróbuj PDF do Worda
Nie wymaga instalacji. Działa bezpośrednio w Twojej przeglądarce.