Kenapa menyalin dari PDF sering berantakan
Memilih teks di penampil PDF lalu menempelkannya di tempat lain sering menghasilkan baris yang terputus, spasi yang hilang, atau kata dengan urutan yang salah. Penyebabnya adalah cara PDF menyimpan teks.
PDF tidak berisi paragraf atau baris seperti pengolah kata. Isinya adalah instruksi seperti "gambar karakter-karakter ini di posisi ini dengan font ini". Satu kalimat bisa disimpan sebagai satu potongan, satu potongan per kata, atau bahkan huruf per huruf, dan urutan potongan itu di dalam file tidak harus sama dengan urutan baca. Format ini dirancang agar halaman terlihat identik di mana pun, bukan agar teksnya mudah dipakai ulang.
Mengekstrak seluruh teks sekaligus dengan alat khusus menghindari repotnya memilih teks dan memberi Anda seluruh dokumen sebagai teks biasa yang bisa ditempel, dicari, atau diedit.
Bagaimana teks dibangun ulang
Alat ini memakai PDF.js untuk membaca potongan teks di setiap halaman, lalu menyusunnya kembali:
- Potongan yang berada di garis dasar yang sama digabung menjadi satu baris.
- Ketika posisi vertikal berubah, baris baru dimulai.
- Halaman dipisahkan dengan baris kosong, jadi Anda tetap bisa melihat di mana setiap halaman berakhir.
- Progres ditampilkan selama halaman dibaca, dan jumlah halaman muncul bersama hasilnya.
Hasilnya berupa teks biasa UTF-8: tanpa font, huruf tebal, ukuran, atau warna. Anda bisa menyalin semuanya dengan satu klik atau menyimpannya sebagai file .txt yang dinamai sesuai PDF.
Layout yang perlu dirapikan
Karena PDF hanya mencatat posisi, beberapa layout keluar dengan urutan yang mungkin tidak Anda duga.
Teks multi-kolom
Koran, makalah ilmiah, dan newsletter sering memakai dua atau tiga kolom. Jika software pembuatnya menulis kolom kiri lebih dulu, Anda mendapatkan teks yang rapi kolom demi kolom. Jika ia menulis halaman baris demi baris melintasi kolom, baris dari kolom kiri dan kanan akan berselang-seling. Periksa halaman pertama hasilnya sebelum mengandalkan sisanya.
Tabel
Sel dalam satu baris digabung menjadi satu baris teks, biasanya tanpa pemisah, sehingga "Total 1,240.00 EUR" bisa muncul sebagai "Total1,240.00EUR" atau dengan spasi yang tidak teratur. Untuk tabel, teks biasa hanyalah titik awal; bersiaplah memulihkan kolom secara manual atau di spreadsheet. Jika Anda juga butuh formatnya, Konversi PDF ke Word berusaha mempertahankan strukturnya.
Header, footer, dan tanda hubung
Header berjalan, footer, dan nomor halaman adalah bagian dari setiap halaman dan muncul di teks setiap kali. Kata yang dipenggal di akhir baris tetap terpisah ("doku-" dan "men" di baris berbeda). Cari-dan-ganti untuk teks header dan untuk "-" yang diikuti jeda baris sudah membereskan sebagian besar dokumen dengan cepat.
Ketika hasilnya kosong atau kacau
- Tidak ada teks sama sekali. Halamannya berupa gambar, biasanya hasil scan atau foto yang disimpan sebagai PDF. Tidak ada lapisan teks untuk diekstrak. Gunakan Buat PDF hasil scan bisa dicari untuk menambahkan lapisan teks lewat pengenalan karakter optik (OCR), lalu ekstrak di sini.
- Teks hanya ada di sebagian halaman. Dokumen campuran, misalnya surat ketikan dengan halaman tanda tangan hasil scan, hanya punya teks di bagian yang diketik.
- Simbol aneh alih-alih huruf. Beberapa PDF menyematkan font tanpa tabel yang memetakan glyph kembali ke karakter. Penampil menggambarnya dengan benar, tetapi kode di baliknya tidak bermakna. Menyalin dari penampil mana pun memberi hasil yang sama; OCR adalah satu-satunya solusi yang andal.
- "Tidak dapat membaca PDF ini". File dilindungi kata sandi untuk dibuka, atau rusak. Buka dengan kata sandinya dan simpan salinan tanpa proteksi, atau perbaiki dengan mencetaknya ke PDF dari penampil Anda.
Untuk apa orang memakainya
- Mengutip atau memakai ulang bagian dari laporan, kontrak, dan manual tanpa mengetik ulang.
- Menghitung kata dalam naskah atau tugas yang dikumpulkan sebagai PDF; tempel hasilnya ke Penghitung kata.
- Mencari di dokumen panjang dengan editor teks menggunakan regular expression.
- Memasukkan isinya ke alat terjemahan, peringkas, atau pembanding yang menerima teks biasa.
- Mengarsipkan isi dokumen yang bisa dibaca dalam format yang tetap bisa dibuka di mana saja selama puluhan tahun.
File hingga 100 MB didukung. Teks diekstrak di perangkat Anda dan tidak pernah dikirim ke mana pun, hal yang penting untuk kontrak, surat medis, dan dokumen lain yang tidak akan Anda tempel ke layanan online.