Wyodrębnianie tekstu z pliku PDF jest proste, jeśli PDF ma odpowiednią warstwę tekstową — wystarczy zaznaczyć i skopiować. Wyzwanie polega na zeskanowaniu plików PDF lub takich, w których tekst został przekonwertowany na kontury, w których widoczny jest tekst, ale nie ma znajdujących się pod nim znaków. Oto, jak sobie poradzić w obu sytuacjach.
Wyodrębnianie tekstu z natywnego pliku cyfrowego PDF
W przypadku plików PDF utworzonych cyfrowo — w programach Word, Excel, PowerPoint lub w oprogramowaniu do projektowania — wyodrębnianie tekstu jest tak proste, jak wybieranie i kopiowanie. Otwórz plik PDF w dowolnej przeglądarce, kliknij i przeciągnij, aby zaznaczyć tekst, a następnie naciśnij Ctrl/Cmd + C, aby skopiować. Wklej do edytora tekstu, dokumentu programu Word lub gdziekolwiek potrzebujesz treści.
Aby wyodrębnić cały tekst z wielostronicowego pliku PDF na raz, naciśnij klawisze Ctrl/Cmd + A, aby zaznaczyć wszystko, a następnie skopiuj i wklej. Tekst jest układany w kolejności, w jakiej jest przechowywany w PDF, czyli zwykle od góry do dołu według kolumn — w układach wielokolumnowych czasami wkleja się w mniej intuicyjnej kolejności, która wymaga ręcznej zmiany układu.
Wyodrębnianie tekstu ze zeskanowanego pliku PDF przy użyciu OCR
Zeskanowane pliki PDF przechowują strony jako obrazy, więc nie ma warstwy tekstowej, z której można kopiować. Aby wyodrębnić tekst, musisz najpierw uruchomić OCR na dokumencie. Prześlij zeskanowany plik PDF do narzędzia OCR PDF firmy WukongPDF, przetwórz go i pobierz wersję z możliwością wyszukiwania. Warstwa tekstowa jest teraz osadzona i można ją wybierać, kopiować i przeszukiwać jak każdy cyfrowy plik PDF.
Jeśli potrzebujesz wyodrębnionego tekstu jako osobnego pliku, a nie osadzonego w pliku PDF, przekonwertuj dane wyjściowe OCR na program Word za pomocą narzędzia PDF na Word. Plik programu Word zawiera cały rozpoznany tekst w formacie edytowalnym, co ułatwia kopiowanie sekcji, ponowne formatowanie lub opracowywanie zawartości.
Wyodrębnianie tekstu do słowa lub pliku tekstowego
W celu bezpośredniego wyodrębnienia pliku PDF na tekst bez ręcznego korzystania z OCR, konwerter PDF na Word firmy WukongPDF wyodrębnia treść tekstową i umieszcza ją w edytowalnym pliku .docx. Aby uzyskać zwykły tekst bez formatowania, otwórz powstały dokument programu Word i zapisz go jako plik .txt — lub wklej zawartość do edytora zwykłego tekstu i tam zapisz.
Jest to przydatne, gdy potrzebujesz czystego, niesformatowanego tekstu do przetwarzania danych, importowania do innej aplikacji lub wprowadzania do narzędzia AI, które obsługuje wprowadzanie zwykłego tekstu.
Wyodrębnianie tekstu z plików chronionych hasłem PDFs
Jeśli PDF ma ograniczenia kopiowania ustawione przez hasło właściciela, zaznaczanie tekstu działa wizualnie, ale kopiowanie jest zablokowane. Aby wyodrębnić tekst z zastrzeżonego pliku PDF, do którego masz legalny dostęp, użyj narzędzia PDF Unlock firmy WukongPDF, aby najpierw usunąć ograniczenie uprawnień, a następnie normalnie wyodrębnij tekst. Po usunięciu ograniczenia kopiowanie i wklejanie działa bez ograniczeń.
Sprawdzanie jakości ekstrakcji
Po wyodrębnieniu tekstu sprawdź kilka akapitów względem oryginału PDF, aby potwierdzić dokładność. Typowe problemy obejmują ligatury (kombinacje fi, fl), które wyodrębniają jako zniekształcone znaki, symbole specjalne przekształcane w znaki zapytania oraz dzielenie wierszy z łącznikami, które pojawiają się w połowie wyodrębnionego tekstu. Większość z nich można łatwo naprawić za pomocą funkcji znajdź i zamień, gdy już wiesz, czego szukać.