Ne každý PDF potřebuje rozpoznání. Digitální dokument nebo sken, který již byl rozpoznán, může obsahovat textovou vrstvu, kterou lze exportovat přímo. PDF do textu vám poskytne tento uložený obsah. Klíčem je rozlišit extrakci od OCR a před opětovným použitím slov zkontrolovat pořadí čtení.
Příklad používá balíček z veřejného workshopu s existující textovou vrstvou. Porovnejte extrahovaná slova s viditelným zdrojem, namísto abyste to považovali za rozpoznávání obrázku.
Zkontrolujte, zda PDF již obsahuje text
Otevřete PDF do textu a vyberte dokument. Digitální zpráva nebo dříve OCR zpracovaný sken již může obsahovat slova, která potřebujete.
Pokud je soubor sken pouze obrázku, extrakce nevytvoří text z jeho pixelů. Použijte PDF OCR namísto opakovaného exportování prázdné textové vrstvy.
Vyberte stránky a uspořádání výstupu
Zadejte rozsah stránek, pokud je relevantní pouze část dokumentu. Zvolte jeden soubor TXT pro souvislé čtení nebo samostatné soubory pro referenci podle stránek.
Čísla stránek v rozsahu odkazují na pozice v načteném PDF. Tištěné číslo stránky se může lišit, pokud soubor obsahuje obálku nebo nečíslovaný úvod.
Zkuste extrakci textu před OCR, když má PDF použitelnou textovou vrstvu.
Extrahovat a zkontrolovat slova
Klikněte na Start pro extrakci uloženého textu. Porovnejte výsledek s viditelným zdrojem, zejména tam, kde stránka obsahuje sloupce, tabulky nebo poznámky pod čarou.
Zkontrolujte spojovníky na koncích řádků, neobvyklé znaky a důležité identifikátory. Předchozí chyba OCR může být zkopírována do exportu stejně snadno jako správný digitální text.
Při citování nebo kontrole extrahovaných pasáží si ponechte odkazy na stránky.
Stáhněte text a zachovejte jeho zdrojový kontext
Stáhněte si TXT nebo výsledek ZIP. Pro samostatné soubory použijte názvy souborů založené na stránkách a přiložený kombinovaný text, abyste měli přehled o tom, odkud pasáže pocházejí.
Prostý text je určen pro opětovné použití, nikoli pro vizuální reprodukci PDF. Ponechte si zdrojové PDF pro kontrolu rozvržení nebo odkazů a použijte OCR pouze pro stránky, jejichž obrazový obsah stále potřebuje rozpoznání.
Časté dotazy
Provádí PDF do textu funkci OCR?
Ne. Extrahuje text již uložený v PDF. Stránky obsahující pouze obrázky vyžadují PDF OCR.
Proč je pořadí textu jiné než na stránce?
Text v PDF může být uložen jako umístěné úryvky. Sloupce, tabulky, poznámky pod čarou a neobvyklá mapování písem mohou vytvořit pořadí, které vyžaduje kontrolu v prostém textu.
Co je uvnitř ZIP souboru se samostatnými soubory?
Obsahuje textový soubor pro každou vybranou stránku a jeden kombinovaný textový soubor. Soubory používají kódování UTF-8.
Může extrakce opravit chyby ze starší vrstvy OCR?
Ne. Stávající chyby v textu mohou být zkopírovány do exportu. Důležité znění porovnejte s viditelným zdrojem a před opětovným použitím jej opravte.
Připravte svůj další dokument pomocí PDF do textu.
Zkuste extrakci textu před OCR, když má PDF použitelnou textovou vrstvu.
