Niet elke PDF heeft herkenning nodig. Een digitaal document, of een scan die al is herkend, kan een tekstlaag bevatten die direct kan worden geëxporteerd. PDF naar tekst geeft u die opgeslagen inhoud. De sleutel is om extractie te onderscheiden van OCR en de leesvolgorde te controleren voordat u de woorden opnieuw gebruikt.
Het voorbeeld gebruikt een openbaar workshop-pakket met een bestaande tekstlaag. Vergelijk de geëxtraheerde woorden met de zichtbare bron, in plaats van dit te behandelen als herkenning van een afbeelding.
Controleer of de PDF al tekst bevat
Open 'PDF naar tekst' en kies het document. Een digitaal rapport of een eerder met OCR verwerkte scan bevat mogelijk al de woorden die u nodig heeft.
Als het bestand een scan is die alleen uit afbeeldingen bestaat, zal extractie geen tekst uit de pixels creëren. Gebruik PDF OCR in plaats van herhaaldelijk een lege tekstlaag te exporteren.
Selecteer de pagina's en de uitvoerindeling
Voer een paginabereik in wanneer slechts een deel van het document relevant is. Kies één TXT-bestand voor continu lezen, of afzonderlijke bestanden voor paginagebaseerde referentie.
Paginanummers in een bereik verwijzen naar posities in de geladen PDF. Een gedrukt paginanummer kan afwijken wanneer het bestand een omslag of een ongenummerde inleiding bevat.
Probeer tektextractie vóór OCR wanneer de PDF een bruikbare tekstlaag heeft.
Extraheer en controleer de woorden
Klik op Start om de opgeslagen tekst te extraheren. Vergelijk het resultaat met de zichtbare bron, vooral waar de pagina kolommen, tabellen of voetnoten bevat.
Controleer afbreekstreepjes aan het einde van regels, ongebruikelijke tekens en belangrijke identificatiegegevens. Een eerdere OCR-fout kan net zo gemakkelijk in de export worden gekopieerd als correcte digitale tekst.
Houd paginareferenties bij bij het citeren of controleren van geëxtraheerde passages.
Download de tekst en behoud de broncontext
Download het TXT- of ZIP-resultaat. Gebruik voor afzonderlijke bestanden de paginagebaseerde bestandsnamen en de bijgevoegde gecombineerde tekst om bij te houden waar passages vandaan kwamen.
Platte tekst is bedoeld voor hergebruik, niet voor visuele reproductie van de PDF. Bewaar de bron-PDF voor het controleren van de lay-out of referenties, en gebruik OCR alleen voor pagina's waarvan de afbeeldingsinhoud nog herkenning vereist.
Veelgestelde vragen
Voert PDF naar Tekst OCR uit?
Nee. Het extraheert de tekst die al in de PDF is opgeslagen. Pagina's die alleen uit afbeeldingen bestaan, hebben PDF OCR nodig.
Waarom is de tekstvolgorde anders dan op de pagina?
PDF-tekst kan worden opgeslagen als gepositioneerde fragmenten. Kolommen, tabellen, voetnoten en ongebruikelijke lettertype-toewijzingen kunnen een volgorde produceren die in platte tekst moet worden gecontroleerd.
Wat zit er in de ZIP met afzonderlijke bestanden?
Het bevat een tekstbestand voor elke geselecteerde pagina en een gecombineerd tekstbestand. De bestanden gebruiken UTF-8-tekst.
Kan extractie fouten uit een oudere OCR-laag herstellen?
Nee. Bestaande tekstfouten kunnen worden gekopieerd naar de export. Vergelijk belangrijke bewoordingen met de zichtbare bron en corrigeer deze vóór hergebruik.
Bereid uw volgende document voor met PDF naar tekst.
Probeer tektextractie vóór OCR wanneer de PDF een bruikbare tekstlaag heeft.
