PDF to Text: What the .txt File Leaves Out
Извлечение текста — это копирование, а не преобразование: оно берет выбранные слова и записывает их страница за страницей. Результат идеально подходит для поиска и сценариев, но не сохраняет столбцы, поля и стили.
Почему это происходит
Люди обращаются к простому тексту, когда местом назначения является поисковый индекс, сценарий или коллега, которому просто нужна формулировка. Файл приходит быстро, и его тихие упущения всплывают только тогда, когда текст уже находится в соседней системе.
Проверьте, прежде чем запускать
- Сначала убедитесь, что слова доступны для выбора. Если вы не можете выделить предложение в программе просмотра PDF, страницы представляют собой изображения. Сначала запустите OCR, а затем извлеките из копии, доступной для поиска.
- Прочтите первую страницу, чтобы узнать порядок и перерывы. Макеты с несколькими столбцами могут чередоваться, а выровненные строки могут разрываться в середине предложения. Убедитесь, что заголовки и пункты следуют порядку, в котором человек будет читать.
- Проверьте таблицы и специальные символы. Таблицы обычно теряют свою сетку в обычном тексте; используйте PDF в Excel для данных. Проверьте диакритические знаки, лигатуры и символы валют перед импортом файла.
Когда к этому обратиться
- Вам нужно точно процитировать пункт. Extract the text, then search the .txt for the exact wording instead of retyping from the page.
- Вы проверяете, действительно ли PDF-файл является текстом. Почти пустой вывод — самое быстрое доказательство того, что файл является отсканированным и требует распознавания перед любым преобразованием.
Один вопрос, который мы получаем
Сохраняет ли текст свою структуру?
Слова возвращаются в порядке чтения — идеально подходит для цитат, поиска и сценариев. Таблицы, построенные на основе реального текста таблицы, сохраняют свою структуру; отсканированные страницы сначала требуют распознавания.
Где это подходит
Инструменты, которые люди обычно открывают рядом с PDF в текст:
- PDF в PowerPoint — Восстановите PDF-файл как редактируемую презентацию PowerPoint.
- PDF в JPG — Превратите каждую страницу в изображение JPG, PNG или TIFF с нужным вам разрешением.
- PDF в Word — Преобразование PDF-файла в редактируемый документ Word с сохранением макета, где это возможно.
Каждый инструмент работает с копией, поэтому исходный файл никогда не затрагивается. Загрузки сохраняются под неугаданным идентификатором и автоматически удаляются через два часа после того, как вы в последний раз открывали их; ничего не указано, не опубликовано и не проиндексировано. Подробнее о страница безопасности.