Nu orice PDF are nevoie de recunoaștere. Un document digital sau o scanare care a fost deja recunoscută poate conține un strat de text care poate fi exportat direct. PDF către Text vă oferă acel conținut stocat. Cheia este să distingeți extragerea de OCR și să revizuiți ordinea de citire înainte de a reutiliza cuvintele.
Exemplul folosește un pachet de atelier public cu un strat de text existent. Comparați cuvintele extrase cu sursa vizibilă, în loc să tratați acest lucru ca pe o recunoaștere a unei imagini.
Verificați dacă PDF conține deja text
Deschideți „PDF to Text” și alegeți documentul. Un raport digital sau o scanare procesată anterior prin OCR poate conține deja cuvintele de care aveți nevoie.
Dacă fișierul este o scanare doar cu imagini, extragerea nu va crea text din pixelii săi. Utilizați PDF OCR în loc să exportați în mod repetat un strat de text gol.
Selectați paginile și aranjarea ieșirii
Introduceți un interval de pagini atunci când doar o parte a documentului este relevantă. Alegeți un fișier TXT pentru citire continuă sau fișiere separate pentru referință bazată pe pagini.
Numerele de pagină dintr-un interval se referă la pozițiile din PDF încărcat. Un număr de pagină imprimat poate diferi atunci când fișierul include o copertă sau o introducere nenumerotată.
Încercați extragerea textului înainte de OCR atunci când PDF are un strat de text utilizabil.
Extrageți și revizuiți cuvintele
Faceți clic pe Start pentru a extrage textul stocat. Comparați rezultatul cu sursa vizibilă, în special acolo unde pagina conține coloane, tabele sau note de subsol.
Verificați cratimele de la sfârșitul liniei, caracterele neobișnuite și identificatorii importanți. O eroare anterioară de OCR poate fi copiată în export la fel de ușor ca textul digital corect.
Păstrați referințele paginii atunci când citați sau verificați pasajele extrase.
Descărcați textul și păstrați contextul sursă al acestuia
Descărcați rezultatul TXT sau ZIP. Pentru fișiere separate, utilizați numele de fișiere bazate pe pagină și textul combinat inclus pentru a urmări de unde provin pasajele.
Textul simplu este destinat reutilizării, nu reproducerii vizuale a PDF. Păstrați PDF sursă pentru verificarea aspectului sau a referințelor și utilizați OCR doar pentru paginile al căror conținut de imagine încă necesită recunoaștere.
Întrebări frecvente
PDF către Text rulează OCR?
Nu. Acesta extrage textul deja stocat în PDF. Paginile care conțin doar imagini necesită PDF OCR.
De ce ordinea textului este diferită de cea din pagină?
Textul PDF poate fi stocat sub formă de fragmente poziționate. Coloanele, tabelele, notele de subsol și mapările neobișnuite ale fonturilor pot produce o ordine care necesită revizuire în text simplu.
Ce se află în interiorul fișierului ZIP cu fișiere separate?
Acesta conține un fișier text pentru fiecare pagină selectată și un fișier text combinat. Fișierele utilizează text UTF-8.
Extracția poate remedia erorile dintr-un strat OCR mai vechi?
Nu. Erorile de text existente pot fi copiate în export. Comparați formularea importantă cu sursa vizibilă și corectați-o înainte de reutilizare.
Pregătiți următorul document cu PDF către Text.
Încercați extragerea textului înainte de OCR atunci când PDF are un strat de text utilizabil.
