Không phải PDF nào cũng cần nhận dạng. Một tài liệu kỹ thuật số, hoặc bản quét đã được nhận dạng, có thể chứa một lớp văn bản có thể được xuất trực tiếp. PDF sang Văn bản cung cấp cho bạn nội dung đã lưu trữ đó. Chìa khóa là phân biệt việc trích xuất với OCR và xem lại thứ tự đọc trước khi sử dụng lại các từ.
Ví dụ này sử dụng một gói hội thảo công cộng với một lớp văn bản hiện có. So sánh các từ đã trích xuất với nguồn hiển thị, thay vì coi đây là quá trình nhận dạng hình ảnh.
Kiểm tra xem PDF đã chứa văn bản chưa
Mở PDF sang Văn bản và chọn tài liệu. Một báo cáo kỹ thuật số hoặc bản quét đã được xử lý OCR trước đó có thể đã chứa các từ bạn cần.
Nếu tệp là bản quét chỉ chứa hình ảnh, việc trích xuất sẽ không tạo ra văn bản từ các pixel của nó. Hãy sử dụng PDF OCR thay vì xuất đi xuất lại một lớp văn bản trống.
Chọn các trang và cách sắp xếp đầu ra
Nhập phạm vi trang khi chỉ một phần của tài liệu là phù hợp. Chọn một tệp TXT để đọc liên tục, hoặc các tệp riêng biệt để tham khảo theo trang.
Số trang trong một phạm vi đề cập đến các vị trí trong PDF đã tải. Số trang in có thể khác khi tệp bao gồm trang bìa hoặc phần giới thiệu không được đánh số.
Hãy thử trích xuất văn bản trước khi OCR khi PDF có lớp văn bản có thể sử dụng được.
Trích xuất và xem lại các từ
Nhấp vào Bắt đầu để trích xuất văn bản đã lưu trữ. So sánh kết quả với nguồn hiển thị, đặc biệt là nơi trang chứa các cột, bảng hoặc chú thích.
Kiểm tra các dấu gạch nối cuối dòng, các ký tự bất thường và các định danh quan trọng. Lỗi OCR trước đó có thể được sao chép vào tệp xuất dễ dàng như văn bản kỹ thuật số chính xác.
Giữ lại các tham chiếu trang khi trích dẫn hoặc kiểm tra các đoạn văn đã trích xuất.
Tải xuống văn bản và giữ ngữ cảnh nguồn của nó
Tải xuống kết quả TXT hoặc ZIP. Đối với các tệp riêng biệt, hãy sử dụng tên tệp dựa trên trang và văn bản kết hợp đi kèm để theo dõi nguồn gốc của các đoạn văn.
Văn bản thuần túy dành cho việc sử dụng lại, không phải để tái tạo hình ảnh của PDF. Giữ lại PDF nguồn để kiểm tra bố cục hoặc tham chiếu, và chỉ sử dụng OCR cho các trang mà nội dung hình ảnh vẫn cần nhận dạng.
Câu hỏi thường gặp
Tính năng PDF sang Văn bản có chạy OCR không?
Không. Nó trích xuất văn bản đã được lưu trữ trong PDF. Các trang chỉ chứa hình ảnh cần PDF OCR.
Tại sao thứ tự văn bản lại khác với trên trang?
Văn bản PDF có thể được lưu trữ dưới dạng các đoạn văn bản có vị trí cố định. Các cột, bảng, chú thích và ánh xạ phông chữ bất thường có thể tạo ra thứ tự cần được xem xét lại trong văn bản thuần túy.
Bên trong tệp ZIP riêng biệt có gì?
Nó chứa một tệp văn bản cho mỗi trang đã chọn và một tệp văn bản tổng hợp. Các tệp này sử dụng văn bản UTF-8.
Việc trích xuất có thể sửa lỗi từ lớp OCR cũ hơn không?
Không. Các lỗi văn bản hiện có có thể bị sao chép vào tệp xuất. Hãy so sánh các từ ngữ quan trọng với nguồn hiển thị và sửa chúng trước khi sử dụng lại.
Chuẩn bị tài liệu tiếp theo của bạn với PDF sang Văn bản.
Hãy thử trích xuất văn bản trước khi OCR khi PDF có lớp văn bản có thể sử dụng được.
