從 PDF 複製文字並將其貼上到文字處理程式中通常會產生充滿不必要的換行符的文字。原始 PDF 中的每一行在貼上的輸出中都會成為一個單獨的段落。在 PDF 頁面上佔據五行的段落將貼上為五個不相連的文字區塊。 PDF 到文本 尊重段落邊界的提取需要了解 PDF 如何存儲文本並使用提取工具從各個文本行重建段落。
PDF 檔案將文字儲存為頁面上的定位字元。 PDF 的內部資料模型中不存在段落的概念。字元放置在特定的座標處，換行符號隱含在文字行之間的垂直間隙中。簡單地按順序讀取字元並在每個垂直間隙插入換行符的提取工具會產生碎片化的輸出，這使得貼上的 PDF 文字使用起來非常令人沮喪。
WukongPDF 的擷取 PDF 資料 工具在文本擷取過程中保留段落結構，產生可供編輯的乾淨輸出。
為什麼 PDF 文本提取會添加不需要的換行符
考慮一個跨五行的 PDF 段落。在內部，PDF 儲存五個單獨的文字對象，每個對象位於不同的垂直座標。簡單的提取工具讀取每個文字物件並在其後附加換行符。結果是由硬回車分隔的五行文本，每行都被文字處理器視為一個獨立的段落。重排文字需要手動將行重新連接在一起。
更好的擷取工具透過分析文字行之間的垂直間距來偵測段落邊界。段落內的行具有一致的行距。段落之間的間隙較大，或者可能包括額外的間距，例如下一行的縮排。該工具將具有規則間距的行分組為段落，並在邊界處插入單一段落分隔符號。 PDF 格式 意識是將可用文字提取與碎片輸出區分開來的。
使用 Adobe Acrobat Pro 提取乾淨文本
Acrobat Pro 的匯出到 Word 功能包括段落偵測。前往文件、匯出、Microsoft Word、Word 文件。在匯出設定中，選取保留流動文字以保留段落結構。 Acrobat 分析文字佈局並重建段落。輸出 DOCX 檔案應具有乾淨的段落，沒有不需要的換行符。
開啟匯出的 DOCX 並掃描換行符。包含表格、項目符號清單或列的段落可能仍然有問題，因為複雜的佈局會混淆段落偵測。對於這些區域，手動連接斷線並驗證段落結構是否與原始 PDF 相符。 Acrobat 匯出可以正確處理 80% 到 90% 的段落。其餘的邊緣情況需要手動注意。
複製貼上清理方法
對於短文檔，最快的方法是從 PDF 複製文本，將其貼上到純文本編輯器中，然後手動清理。選擇 PDF 中的所有文本，複製並貼上到記事本或類似編輯器中。文字每行後面都會出現一個不需要的換行符號。使用尋找和取代來刪除單換行符，同時保留指示段落邊界的雙換行符。
在大多數文字編輯器中，搜尋單一換行符並替換為空格，然後搜尋兩個連續換行符並替換為單一換行符。這會連接段落內的行，同時保留段落分隔符號。手動方法適用於最多大約五頁的文件。除此之外，尋找和取代方法變得乏味且容易出錯。
使用 Python 和 pdfplumber 進行程式設計提取
Python 的 pdfplumber 函式庫提供了對文字擷取的細粒度控制。它可以從特定頁面區域提取文字、偵測表格並保留段落結構。基本的提取腳本會開啟 PDF、遍歷頁面並呼叫 page.extract_text()。該庫的預設設定可以對簡單佈局進行合理的段落檢測。
當涉及文件工作流程時，對於複雜的佈局，pdfplumber 允許您指定提取策略。 extract_text 方法接受字元和單字間距閾值的參數，這些參數控制庫如何將字元分組為單字和行。針對具有不尋常排版的文件（例如具有密集文字的學術論文或具有可變行距的行銷資料）調整這些閾值。
| 方法 | 輸出質量 | 最適合 |
|---|---|---|
| Acrobat 匯出到 Word | 好，保留段落結構 | 佈局簡單，桌子很少 |
| 複製貼上並清理 | 可變，需要手動工作 | 簡短的文檔，快速摘錄 |
| Python + pdfplumber | 優秀，完全控制 | 批次處理、複雜文檔 |
對專業用途的提取文本進行後處理
提取後，在使用文字之前對其進行品質檢查。搜尋常見的工件：本應是單空格的雙空格、應刪除的行末尾的連字符以及已合併到單一段落中的編號清單項目。五分鐘的清理過程可以捕捉這些偽影，並產生與原始 PDF 一樣流暢閱讀的文字。
當涉及文件工作流程時，為了從類似格式的 PDF 中重複提取，請建立一個後處理腳本，將相同的清理規則應用於每次提取。此腳本會自動處理連字符刪除、空格標準化和清單檢測。經過幾個提取週期後，腳本將調整為特定的文件格式並產生乾淨的文本，無需手動幹預。
使用正確的工具和對邊緣情況可能需要手動清理的現實期望，可以實現從 PDF 中清晰地提取段落文字。與手動重新輸入相比，自動提取節省的時間證明在設定提取工作流程方面的少量投資是值得的。
連結提取段落時保留原始格式
提取乾淨的段落文字後，您可能需要重新套用原始 PDF 中的格式，例如粗體和斜體。 Acrobat 匯出到 Word 保留基本格式。對於程式提取，pdfplumber 或 PyMuPDF 可以提取帶有字體資訊的文本，包括粗體、斜體和字體大小元資料。
從提取的字體元資料重建格式化文字需要將字體屬性對應到輸出格式的處理。產生帶有粗體和斜體標籤的 Markdown 或 HTML 的腳本會產生一個格式化版本，該版本保留原始版本的視覺層次結構，同時可以在任何文字編輯器中進行編輯。
在典型的工作流程中，當為自然語言處理管道提取文字時，段落重建品質直接影響下游模型的效能。乾淨的段落可以產生更好的訓練資料。具有工件換行符的碎片文字會引入噪聲，從而降低模型的準確性。
對於存檔文字擷取，擷取的文字應與原始 PDF 一起儲存。即使 PDF 渲染軟體在遙遠的將來不可用，文字檔案也提供了可讀的獨立於格式的版本。
在實踐中，當螢幕閱讀器大聲朗讀文字時，好的和差的文本提取之間的差異最為明顯。乾淨的段落和自然的句子聽起來就像人類的語言。帶有瑕疵的碎片文字聽起來斷斷續續且脫節。
透過練習和熟悉來源文件格式，可以提高文字擷取的準確性。從相同軟體產生的文件中擷取文字後，您可以了解特徵工件，並可以相應地調整設定或後處理規則。
從實務的角度來看，實際上，PDF 文字擷取工作流程應包含一個驗證步驟，將擷取的文字字數與範例頁面的手動計數進行比較。差異表明需要調查的提取問題。
在文件處理中，對於包含數學方程式或科學記數法的文檔，標準文字擷取通常無法正確捕捉符號。存在專門的 STEM 提取工具，可以更準確地處理方程式格式。
應驗證提取文字的編碼，特別是對於包含非 ASCII 字元的文檔。 UTF-8 輸出保留所有字元集。 ASCII 輸出可能會默默地刪除或破壞非英語腳本中的字元。
從經過 OCR 處理的掃描 PDF 中提取的文字帶有每個單字的 OCR 置信度。高置信度的詞語通常是準確的。應根據原始頁面影像驗證低置信度單字。
從多個 PDF 中批次提取文字應包括一個清單文件，列出每個輸入文件及其提取的輸出。此清單允許對提取的文本語料庫進行程式設計處理，而無需手動文件管理。
隨著時間的推移，在提取文字以進行搜尋引擎索引時，請在提取的輸出中包含文件元資料。當提取的文字新增至搜尋索引時，標題、作者和建立日期提供了可提高搜尋相關性的上下文。
在大多數工具中，從受密碼保護的 PDF 中提取文字需要向提取工具提供密碼。自動提取管道需要安全的憑證存儲，不能以純文字形式暴露密碼。
從文件庫中的範例文件中進行常規文字擷取測試可監控迴歸情況。提取品質的變化可能表明 PDF 生成軟體已更新，現在以不同的方式產生文字。
從 PDF 中提取乾淨的文字是一項基本技能，支援數十種下游任務：內容重新利用、可訪問性修復、翻譯、搜尋索引和資料分析。這些任務中的每一個都取決於提取文字的品質。在源頭投資提取品質可以改善每個下游應用的結果。
從 PDF 中提取乾淨的文字是內容再利用的基本技能。提取的文字一旦沒有工件換行符，就可以流入翻譯、輔助工具、搜尋索引和新文檔，而無需額外的清理。萃取的品質決定了下游所有產品的品質。