您需要採用您可以使用的格式的 PDF 文字。不是帶有格式的 Word 文檔，不是帶有隱藏文字層的可搜尋 PDF，而是純文字文件，其中段落是段落，標題是標題。 PDF 到文本 的轉換可保留文件結構，為您提供可供分析、重新調整用途或存檔的內容。該文字檔案可以在任何編輯器中打開，可以透過腳本進行處理，並且在當前文檔格式可能已過時的幾十年後仍然可讀。
結構良好的文本導出的價值不僅僅是方便。純文字是有史以來最便攜的數字格式。打開 1970 年編寫的文本文件就像昨天編寫的文件一樣容易。將 PDF 轉換為乾淨的結構化文字可確保無論軟體如何發展，文件內容仍然可存取。
為什麼簡單的複製貼上不能保留段落結構
當您選擇 PDF 中的所有文字並複製它時，剪貼簿會按照文字在 PDF 內容流中出現的順序接收文字。內容流是一系列繪圖指令，而不是邏輯文件結構。原始 PDF 建立者將文字換行以適合頁面的位置會出現換行符號。段落分隔符號可以由剪貼簿捕捉遺失的額外行間距來表示。標題可能會顯示為常規文本，但不表明其結構作用。
複製貼上輸出需要手動重新格式化才能恢復原始段落結構。您必須掃描貼上的文本，確定段落開始和結束的位置，刪除段落內文本換行符，並在它們所屬的位置添加段落分隔符。對於多頁文檔，這種手動清理可能比重新鍵入內容花費更長的時間。
PDF 格式 文本的內部表示與文字處理器表示文字的方式根本不同。文字處理器將文字儲存為帶有段落標記的流。 PDF 將文字儲存為頁面上的定位字元。從定位字元轉換為流動段落需要一個能夠理解段落偵測的排版約定的擷取工具。
了解這種差異是清潔萃取的關鍵。
使用結構化文字擷取工具
專用文字擷取工具在資料層級分析 PDF 並重建邏輯文件結構。他們透過查看行距、縮排和字體變化來偵測段落邊界。它們透過偵測較大的字體大小、粗體格式和編號模式來識別標題。輸出保留文字格式中反映的文件層次結構。
WukongPDF 提供PDF Export 功能，用於透過瀏覽器從 PDF 提取文字。提取保留了段落結構，其中來源 PDF 包含足夠的格式資訊來識別它。對於缺少格式提示的 PDF，提取的文字將保持原始閱讀順序。
選擇文字擷取工具時，請在與您經常處理的文件類似的文件上進行測試。提取文字並將其與原始 PDF 進行比較。檢查段落邊界是否正確，標題是否可識別，以及重音字母和符號等特殊字元是否保留。適用於一種文件類型的工具可能不適用於另一種文件。
在文字擷取過程中處理特殊內容
表格是文字擷取中最具挑戰性的內容類型。 PDF 中的表格在視覺上以行和列的形式呈現數據，但內部表示可能以閱讀順序、列順序或不可預測的順序儲存儲存格。不專門處理表格的文本提取工具會產生交錯文本，其中 A 列值出現在 B 列值之間。對於具有重要表格內容的 PDF，請考慮轉換為 CSV 或 Excel，而不是純文字。
如果項目符號或數字儲存為單獨定位的字元而不是文字流的一部分，則清單（無論是項目符號清單還是編號清單）都可能在提取過程中遺失其結構。提取的文字可能會將清單項目顯示為單獨的段落，而不指示它們屬於清單。一些提取工具會偵測列表模式並添加前綴字元以保留列表結構。
註腳和尾註提出了空間挑戰。在 PDF 視覺佈局中，腳註出現在頁面底部，遠離引用它的文字。在文字擷取中，腳註可能出現在包含參考文獻的段落中間，也可能出現在不相關的段落之間。最好的提取工具將腳註推遲到文件末尾或將其插入段落邊界。
對提取的文本進行後處理以實現最大程度的清潔
提取後，對文字檔案運行清理過程。使用尋找和取代將多個空格轉換為單一空格。刪除行結尾處的尾隨空格。如果掃描原始 PDF，請檢查常見的 OCR 偽影：重複的字元、單字之間缺少空格以及錯誤辨識的標點符號。
對於標題標識很重要的文檔，請掃描提取的文字以查找行首以粗體文字或全部大寫文字開頭的部分。這些格式模式通常指示標題。手動使用一致的前綴標記標題，例如二級標題的##，以使純文字中的文件結構清晰。
輸出文字檔案的編碼對於長期可用性很重要。 UTF-8 是現代文字檔案的標準編碼，支援幾乎所有書寫系統的字元。儲存為 UTF-8 的文字檔案可以在任何現代裝置上正確開啟。 ASCII 或 Latin-1 等較舊的編碼會遺失非英語語言中的字元。從 PDF 匯出文字時，請驗證匯出工具是否使用 UTF-8 編碼，或將輸出轉換為 UTF-8 作為後處理步驟。
對於包含多種語言文字的 PDF，文字擷取必須處理所有存在語言的字元集。偶爾包含法語或德語單字的英文文件使用擴展拉丁字元集中的字元。混合英文和日文的文檔需要完整的 Unicode 支援。大多數現代擷取工具都能正確處理多語言文本，但在包含非英語文本的頁面上測試輸出可確認字元處理。
頁首和頁尾在提取過程中呈現重複出現的文本，這可能會使輸出混亂。每頁上出現的頁碼、文件標題和日期戳記都會與主要內容一起提取。某些擷取工具可以偵測並刪除重複的頁首和頁尾文字。如果您的工具不包含此功能，則識別跨多個頁面重複的行的後處理腳本可以將其過濾掉。
對於具有複雜多列佈局的 PDF，文字的提取順序可能很難以程式設計方式確定。兩欄的學術論文應先提取第一欄，然後提取第二欄。報紙佈局的每頁上的文章跨欄不同，即使是最好的提取演算法也面臨挑戰。對於這些文檔，提取的文字可能需要手動重新排序才能恢復預期的閱讀順序。
提取的文本文件可以透過自然語言處理工具進一步處理進行分析。情緒分析、關鍵字擷取和主題建模都適用於純文字輸入。將 PDF 轉換為乾淨的文字可以解鎖文件集合的這些分析功能，否則需要手動閱讀和註釋。
從使用連字（將兩個或多個字母組合成單個字形的特殊印刷字元）的 PDF 中提取文字可能會產生意外的結果。 fi 和 fl 等常見連字可能會被提取為單個字符或兩個單獨的字符，具體取決於 PDF 編碼。廣泛使用連字的文檔（常見於專業排版書籍和學術期刊）需要仔細驗證提取文本的準確性。
對於從掃描書籍建立的 PDF（其中對頁被掃描為單一影像），文字擷取必須先將每個掃描影像分成左頁和右頁，然後對每一半執行 OCR。如果無法拆分對頁，則會導致文字中左頁的最後一個單字與右頁的第一個單字重疊。
PDF 的純文字輸出可以作為各種下游流程的輸入。文本分析工具可以識別關鍵主題和情緒。翻譯工具可以將文字轉換為其他語言。搜尋索引工具可以使文件內容在整個組織中可被發現。純文字檔案是通用交換格式，它將 PDF 連接到更廣泛的文字處理工俱生態系統。
从 PDF 文件夹中批量提取文本会生成可搜索的文本语料库。提取的文本文件可以通过桌面搜索工具建立索引，从而可以通过单个搜索框搜索数百个 PDF 的内容。此功能可將靜態文件存檔轉換為可搜尋的知識庫，而無需修改原始 PDF 文件。
從 PDF 匯出的乾淨文字以最便攜和最持久的形式表示文件內容，可用於從全文搜尋到自然語言處理再到長期存檔保存的任何用例，並且格式在未來幾十年內仍保持可讀。
投入時間進行正確的文字擷取設定會產生乾淨、結構化的輸出，作為文件內容搜尋、分析、翻譯和歸檔的基礎。
從 PDF 中提取的結構良好的文本文件以最易於訪問且面向未來的形式保留文件內容。
產生的文字檔案將滿足您未來幾年的需求。
| 內容類型 | 萃取行為 | 質量提示 |
|---|---|---|
| 正文段落 | 提取為流動文本 | 檢查段落分隔符號是否與原文相符 |
| 標題 | 透過字體大小/粗體檢測；以##標記 | 驗證所有已識別的標題 |
| 表格 | 細胞可以交錯；考慮 CSV 匯出 | 對於表格數據，使用 Excel/CSV 輸出 |
| 清單 | 子彈可能會遺失；手動添加前綴 | 檢查清單項目是否已分組 |