PDF to Text: What the .txt File Leaves Out
Extrakce textu je úloha kopírování, nikoli konverze: bere volitelná slova a vypisuje je stránku po stránce. Výsledek je ideální pro vyhledávání a skripty, ale nezachová sloupce, rámečky ani styling.
Proč se to objevuje
Lidé sahají po prostém textu, když je cílem rejstřík vyhledávání, skript nebo kolega, kterému stačí formulace. Soubor dorazí rychle a jeho tiché vynechání se objeví pouze tehdy, když je text již v dalším systému.
Před spuštěním zkontrolujte
- Nejprve se ujistěte, že slova lze vybrat. Pokud nemůžete zvýraznit větu v prohlížeči PDF, stránky jsou obrázky. Nejprve spusťte OCR a poté extrahujte z prohledávatelné kopie.
- Přečtěte si první stránku pro pořadí a přestávky. Rozvržení s více sloupci se může prokládat a zarovnané řádky mohou přerušovat střední větu. Zkontrolujte, zda nadpisy a věty dodržují pořadí, v jakém by je osoba četla.
- Prohlédněte si tabulky a speciální znaky. Tabulky obvykle ztratí svou mřížku v prostém textu; pro data použijte PDF do Excelu. Před importem souboru zkontrolujte akcenty, ligatury a symboly měn.
Kdy po něm sáhnout
- Musíte citovat klauzuli přesně. Extract the text, then search the .txt for the exact wording instead of retyping from the page.
- Kontrolujete, zda je PDF skutečně text. Téměř prázdný výstup je nejrychlejším důkazem, že soubor je naskenovaný a před jakýmkoli převodem potřebuje OCR.
Dostáváme jednu otázku
Zachová si text rozložení?
Slova se vracejí v pořadí čtení – ideální pro citace, vyhledávání a skripty. Tabulky sestavené ze skutečného textu tabulky si zachovávají svou strukturu; naskenované stránky potřebují nejprve OCR.
Kam se to hodí
Nástroje, které lidé obvykle otevírají vedle PDF to Text:
- PDF do PowerPointu — Znovu sestavit PDF jako upravitelný balíček PowerPoint.
- PDF do JPG — Proměňte každou stránku na obrázek JPG, PNG nebo TIFF v rozlišení, které potřebujete.
- PDF do Wordu — Převeďte PDF do upravitelného dokumentu aplikace Word se zachováním rozvržení, kde je to možné.
Každý nástroj funguje na kopii, takže se nikdy nedotknete původního souboru. Nahrané soubory jsou uloženy pod neuhodnutelným ID a automaticky vymazány dvě hodiny po jejich posledním otevření; nic není uvedeno, sdíleno ani indexováno. Více na bezpečnostní stránku.