Czym jest ekstrakcja tekstu z PDF?

Ekstrakcja tekstu z PDF pobiera znaki możliwe do odczytu maszynowego zapisane w dokumencie PDF. W przeciwieństwie do optycznego rozpoznawania znaków (OCR) odczytuje warstwę tekstową już osadzoną w pliku, zamiast rozpoznawać litery na podstawie obrazów stron.

Wyodrębniony tekst można wyszukiwać, kopiować, indeksować, analizować lub ponownie wykorzystywać w innych dokumentach. Kolejność wyniku zależy od sposobu przechowywania tekstu przez PDF, dlatego złożone układy, takie jak kolumny, tabele i etykiety umieszczone w określonych miejscach, mogą nie być ułożone zgodnie z wizualną kolejnością czytania.

Opis narzędzia

To narzędzie bezpośrednio w przeglądarce wyodrębnia osadzony tekst z pliku PDF. Wybierz plik PDF, aby przetworzyć każdą stronę, śledzić postęp ekstrakcji oraz skopiować lub pobrać wynik jako plik .txt. Nagłówki stron oddzielają treści z różnych stron, a ostrzeżenie wskazuje strony, które nie zawierają osadzonego tekstu.

Przykłady

Dwustronicowy plik PDF zawierający tytuł na pierwszej stronie i krótki akapit na drugiej może wygenerować:

Strona 1

Raport kwartalny

Strona 2

Przychody wzrosły w raportowanym okresie.

Funkcje

  • Wyodrębnia osadzony tekst z każdej strony PDF, którą można odczytać
  • Pokazuje postęp przetwarzania strona po stronie i informuje o stronach bez warstwy tekstowej
  • Działa lokalnie w przeglądarce i umożliwia pobranie wyniku jako pliku tekstowego

Jak to działa

Narzędzie ładuje plik PDF w przeglądarce, odczytuje elementy tekstowe zapisane na każdej stronie i łączy je w zwykły tekst. W miarę dostępności zachowuje znaki końca wiersza z pliku PDF, a przed wyodrębnioną treścią dodaje nagłówki stron.

Ograniczenia

  • Strony zeskanowane lub zawierające wyłącznie obrazy wymagają OCR i nie zostaną przekształcone w tekst za pomocą tego narzędzia.
  • Dokumenty wielokolumnowe, tabele i układy z precyzyjnie rozmieszczonymi elementami mogą zostać wyodrębnione w nieoczekiwanej kolejności czytania.
  • Uszkodzone pliki PDF lub pliki PDF chronione hasłem mogą być nieczytelne.