Τι είναι η εξαγωγή κειμένου από PDF;

Η εξαγωγή κειμένου από PDF ανακτά χαρακτήρες αναγνώσιμους από μηχανή, οι οποίοι είναι αποθηκευμένοι μέσα σε ένα έγγραφο PDF. Σε αντίθεση με την οπτική αναγνώριση χαρακτήρων (OCR),读取 το επίπεδο κειμένου που είναι ήδη ενσωματωμένο στο αρχείο, αντί να αναγνωρίζει γράμματα από εικόνες σελίδων.

Το εξαγόμενο κείμενο μπορεί να αναζητηθεί, να αντιγραφεί, να καταχωριστεί σε ευρετήριο, να αναλυθεί ή να επαναχρησιμοποιηθεί σε άλλα έγγραφα. Η σειρά των αποτελεσμάτων εξαρτάται από τον τρόπο με τον οποίο το PDF αποθηκεύει το κείμενό του, επομένως σύνθετες διατάξεις, όπως στήλες, πίνακες και τοποθετημένες ετικέτες, ενδέχεται να μην ακολουθούν τη σειρά οπτικής ανάγνωσης.

Περιγραφή εργαλείου

Αυτό το εργαλείο εξάγει ενσωματωμένο κείμενο από ένα PDF απευθείας στο πρόγραμμα περιήγησής σας. Επιλέξτε ένα PDF για να επεξεργαστείτε κάθε σελίδα, να παρακολουθήσετε την πρόοδο της εξαγωγής και να αντιγράψετε ή να κατεβάσετε το αποτέλεσμα ως αρχείο .txt. Οι επικεφαλίδες σελίδων διατηρούν χωρισμένο το περιεχόμενο διαφορετικών σελίδων και μια προειδοποίηση επισημαίνει τις σελίδες που δεν περιέχουν ενσωματωμένο κείμενο.

Παραδείγματα

Ένα PDF δύο σελίδων, που περιέχει έναν τίτλο στην πρώτη σελίδα και μια σύντομη παράγραφο στη δεύτερη, μπορεί να παραγάγει:

Σελίδα 1

Τριμηνιαία έκθεση

Σελίδα 2

Τα έσοδα αυξήθηκαν κατά την περίοδο αναφοράς.

Δυνατότητες

  • Εξάγει ενσωματωμένο κείμενο από κάθε αναγνώσιμη σελίδα ενός PDF
  • Εμφανίζει την πρόοδο ανά σελίδα και αναφέρει τις σελίδες χωρίς επίπεδο κειμένου
  • Εκτελείται τοπικά στο πρόγραμμα περιήγησης και σας επιτρέπει να κατεβάσετε το αποτέλεσμα ως αρχείο κειμένου

Πώς λειτουργεί

Το εργαλείο φορτώνει το PDF στο πρόγραμμα περιήγησής σας, διαβάζει τα στοιχεία κειμένου που είναι αποθηκευμένα σε κάθε σελίδα και τα συνδυάζει σε απλό κείμενο. Οι αλλαγές γραμμής από το PDF διατηρούνται όπου είναι διαθέσιμες και οι επικεφαλίδες σελίδων προστίθενται πριν από το εξαγόμενο περιεχόμενο.

Περιορισμοί

  • Οι σαρωμένες σελίδες ή οι σελίδες που περιέχουν μόνο εικόνες απαιτούν OCR και δεν θα παραγάγουν κείμενο με αυτό το εργαλείο.
  • Έγγραφα με πολλές στήλες, πίνακες και διατάξεις με έντονη τοποθέτηση στοιχείων ενδέχεται να εξαχθούν με απρόσμενη σειρά ανάγνωσης.
  • Κατεστραμμένα ή προστατευμένα με κωδικό πρόσβασης PDF ενδέχεται να μην είναι αναγνώσιμα.