Извлечь текст из PDF несложно, если в PDF есть подходящий текстовый слой — вы можете просто выбрать и скопировать. Проблема возникает со сканированными PDF-файлами или теми, в которых текст был преобразован в контуры, где визуальный вид текста присутствует, но основные символы отсутствуют. Вот как справиться с обеими ситуациями.
Извлечение текста из цифрового файла PDF
Для файлов PDF, созданных в цифровом виде — из Word, Excel, PowerPoint или программного обеспечения для дизайна — извлечение текста так же просто, как выделение и копирование. Откройте PDF в любой программе просмотра, щелкните и перетащите, чтобы выделить текст, и нажмите Ctrl/Cmd + C, чтобы скопировать. Вставьте в текстовый редактор, документ Word или в любое место, где вам нужно содержимое.
Чтобы извлечь весь текст из многостраничного PDF одновременно, нажмите Ctrl/Cmd + A, чтобы выделить весь, затем скопируйте и вставьте. Текст перемещается в том порядке, в котором он хранится в PDF, обычно сверху вниз по столбцам — макеты с несколькими столбцами иногда вставляются в менее интуитивном порядке, который требует перестановки вручную.
Извлечение текста из отсканированного PDF с помощью OCR
Отсканированные PDF-файлы сохраняют страницы в виде изображений, поэтому нет необходимости копировать текстовый слой. Чтобы извлечь текст, сначала необходимо запустить распознавание текста в документе. Загрузите отсканированный PDF в инструмент OCR PDF компании WukongPDF, обработайте его и загрузите версию с возможностью поиска. Текстовый слой теперь встроен, и его можно выбирать, копировать и искать, как в любом цифровом PDF.
Если вам нужен извлеченный текст в виде отдельного файла, а не встроенного в PDF, преобразуйте вывод OCR в Word с помощью инструмента PDF в Word. Файл Word содержит весь распознанный текст в редактируемом формате, что позволяет легко копировать разделы, переформатировать или использовать содержимое.
Извлечение текста в слово или текстовый файл
Для прямого извлечения PDF в текст без необходимости ручного распознавания текста конвертер PDF в Word компании WukongPDF извлекает текстовое содержимое и помещает его в редактируемый файл .docx. Для простого текста без форматирования откройте полученный документ Word и сохраните его как файл .txt — или вставьте содержимое в текстовый редактор и сохраните оттуда.
Это полезно, когда вам нужен чистый неформатированный текст для обработки данных, импорта в другое приложение или подачи в инструмент искусственного интеллекта, который работает с вводом обычного текста.
Извлечение текста из защищенного паролем PDFs
Если PDF имеет ограничения на копирование, установленные паролем владельца, выделение текста работает визуально, но действие копирования блокируется. Чтобы извлечь текст из ограниченного PDF, к которому у вас есть законный доступ, используйте инструмент PDF Unlock от WukongPDF, чтобы сначала снять ограничение разрешений, а затем извлечь текст обычным способом. Как только ограничение будет снято, копирование и вставка будут работать без ограничений.
Проверка качества извлечения
После извлечения текста проверьте несколько абзацев на соответствие исходному PDF, чтобы убедиться в точности. К частым проблемам относятся лигатуры (комбинации fi, fl), которые извлекаются как искаженные символы, специальные символы, которые преобразуются в вопросительные знаки, а также переносы строк через дефис, которые появляются в середине слова в извлеченном тексте. Большинство из них легко исправить с помощью функции «Найти и заменить», если вы знаете, что искать.